技术标签: 大数据环境搭建 spark Spark环境搭建 Spark搭建 pyspark环境配置 # Spark
虚拟机安装
虚拟机软件:VMware
操作系统 :Ubuntu1804
参考:https://blog.csdn.net/tangyi2008/article/details/120311293
JDK1.8
Hadoop安装
版本:2.7.7
参考:https://blog.csdn.net/tangyi2008/article/details/121908766
Spark官网的Download界面https://spark.apache.org/downloads.html可选版本较少,比较这里打开的网页,只有三个版本可选。
可以在下载页面的下方进入它的release archives:https://archive.apache.org/dist/spark/ 选择想要的版本。
这里以2.4.8版本为例,我们下载的安装文件应该是形如:spark-2.4.8-bin-xxxxxx.tgz的文件,很多人很困惑如何选择这些版本。
之所以会有这么多版本的选择,是因为Spark需要一些Hadoop客户端的依赖包(需要访问HDFS和YARN), 这些版本主要分为两类:
pre-packaged binary,将Hadoop客户端的依赖包编译到所下载的压缩包当中,比如spark-2.4.8-bin-hadoop2.6.tgz 和spark-2.4.8-bin-hadoop2.7.tgz ,
“Hadoop free” binary,需要自己通过配置 SPARK_DIST_CLASSPATH
变量,以便可以包含指定版本的Hadoop的相关jar包,比如:spark-2.4.8-bin-without-hadoop-scala-2.12.tgz、spark-2.4.8-bin-without-hadoop.tgz 。
我们这里选择“Hadoop free” binary形式的spark-2.4.8-bin-without-hadoop.tgz进行下载,直接使用浏览器下载过慢,可以使用迅雷加速下载,也可以去后面的网盘资源进行下载。
这里约定虚拟机主机名为node1
,用户名为xiaobai
, 安装路径为/home/xiaobai/opt
,如果不是,请自行修改相应配置文件。
将下载好的安装包上传至虚拟机(当然你也可以直接在虚拟机中下载,省得上传文件)
tar -xvf spark-2.4.8-bin-without-hadoop.tgz -C ~/opt
cd ~/opt
ln -s spark-2.4.8-bin-without-hadoop spark
ls ~/opt/spark
vi ~/.bashrc
修改 .bashrc 文件,在文件末尾添加Spark的PATH路径
export SPARK_HOME=/home/xiaobai/opt/spark
export PATH=$SPARK_HOME/bin:$PATH
运行下面的命令使配置生效
source ~/.bashrc
因为我们下载的是“Hadoop free” 版本,所以要配置SPARK_DIST_CLASSPATH
变量才能正常运行。
cd ~/opt/spark/conf
cp spark-env.sh.template spark-env.sh
vi spark-env.sh
在文件末尾添加配置如下信息
export SPARK_DIST_CLASSPATH=$(/home/xiaobai/opt/hadoop/bin/hadoop classpath)
这一步可选,将日志级别调整至WARN级别,不至于看到过多的无效打印信息
cd ~/opt/spark/conf
cp log4j.properties.template log4j.properties #日志配置文件
vi log4j.properties
修改如下配置:
log4j.rootCategory= WARN, console
日志也可以通过代码进行调整,假设SparkContext对象为sc,则可以通过方法setLogLevel进行级别调整
sc.setLogLevel("WARN")
到此,Spark安装完成,此时便可使用Spark的local模式了。
我们下载的Spark版本是基于scala 2.11.12,这时会报如下错误,但不影响使用.
[ERROR] Failed to construct terminal; falling back to unsupported
java.lang.NumberFormatException: For input string: "0x100"
可以修改环境变量TERM
的值为xterm-color
解决:
vi ~/.bashrc
在文件末尾添加
export TERM=xterm-color
使配置生效
source ~/.bashrc
使用如下命令进入scala交互界面:
spark-shell
var r = sc.parallelize(Array(1,2,3,4))
r.map(_*10).collect()
如果是ubuntu18+版本,系统已经默认安装Python3;在ubuntu16以前,系统默认安装python2
为了避免Python环境带来不必要的麻烦,这里将介绍两种安装Python环境的方式,建议选择安装Anaconda的方式。
所谓的Python环境主要包括Python解释器、Scripts目录(包含比如pip.exe)以及Lib目录(标准库和包安装目录site-pakages),在指定Python环境时,其实主要就是指定运行哪个目录下的Python解释器。
在安装之前,要注意python的版本问题,比如在使用Python3.8版本时,运行pyspark会出现如下错误,本文将安装Python 3.6版本。
安装官方的Python
(1)安装所需依赖
sudo apt-get install -y gcc make build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev
(2)去官网下载对应版本源代码,这里以3.6.15为例
https://www.python.org/downloads/source/
wget https://www.python.org/ftp/python/3.6.15/Python-3.6.15.tar.xz
(3)安装Python
tar -xvf Python-3.6.15.tar.xz
cd Python-3.6.15
./configure --prefix=/opt/python3 --enable-optimizations
sudo make && make install
注意,如果在安装过程中出现如下错误
subprocess.CalledProcessError: Command ‘(‘lsb_release’, ‘-a’)’ returned non-zero exit status 1
可以执行以下命令解决
rm -rf /usr/bin/lsb_release
(4)设置环境变量
为了使用刚才安装的Python版本,可以将包含python解释器的目录加入到path路径的最前面,所以在.bashrc
的文件末尾添加如下设置,并使用source ~/.bashrc
使配置生效。
export PATH=/opt/python3/bin:$PATH
安装Anaconda
(1)下载相应版本的Anaconda
可以在网页https://repo.anaconda.com/archive/上选择相应版本进行下载,这里将下载Anaconda3-5.1.0-Linux-x86_64.sh
,其python对应版本为3.6。
cd ~/soft
wget https://repo.anaconda.com/archive/Anaconda3-5.1.0-Linux-x86_64.sh
(2)安装anaconda
bash Anaconda3-5.1.0-Linux-x86_64.sh
然后一路回车,等出现接受许可界面,输入yes
接收许可。
接着可以配置anacoda的安装目录,这里配置的安装目录是:/home/xiaobai/opt/anaconda3
然后配置是否自动配置PATH路径,这里输入的yes
,让其自动配置
最后提示是否安装VSCode,这里输入的no
,拒绝安装。
(3)使配置生效
刚才在安装过程中已经自动配置了PATH路径,可以查看添加的配置内容:
tail ~/.bashrc
source ~/.bashrc
注意,这里的Pyspark指的是在使用python编程时需要使用的pyspark模块,类似Mysql与pymysql的关系。
可以使用pip在线安装或者基于Spark的环境配置PYTHONPATH环境变量,建议选择后者。
sudo apt install python3-pip #安装pip3
sudo pip install pyspark==2.4.8 -i https://pypi.tuna.tsinghua.edu.cn/simple
vi ~/.bashrc
在.bashrc
的文件末尾添加如下设置,并使用source ~/.bashrc使配置生效。
export PYTHONPATH=$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:SPARK_HOME/python/lib/pyspark.zip:$PATHONPATH
export PYSPARK_PYTHON=python3
注意:
py4j-0.10.7-src.zip
一定要与$SPARK_HOME/python/lib
目录下的实际文件名一致,设置好后可以通过命令python -c "import sys; print(sys.path)"
查看Python的Import Path。
这里配置Standalone模式,为了方便初学者,这里只配置一台从节点,所以将其称为"伪Standalone模式"
cd ~/opt/spark/conf
vi spark-env.sh
添加如下配置信息
export SPARK_MASTER_HOST=node1 #设置主节点地址
export SPARK_WORKER_MEMORY=2g #设置节点内存大小,此处为4G。
export SPARK_WORKER_CORES=2 #设置节点参与计算的核心数
export SPARK_WORKER_INSTANCES=1 #设置节点实例数
export JAVA_HOME=/home/xiaobai/opt/jdk
export HADOOP_CONF_DIR=/home/xiaobai/opt/hadoop/etc/hadoop
vi slaves
配置从节点信息
node1
~/opt/spark/sbin/start-all.sh
可以使用
start-master.sh
、start-slave.sh
和start-slaves.sh
分别启动Master节点,本机slave节点和所有slave节点此外,还会经常用到historysever,会用到脚本:
start-history-server.sh
,需要在spark-env.sh
中配置SPARK_HISTORY_OPTS
参数:SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://node1:9000/sparklog/ -Dspark.history.fs.cleaner.enabled=true"
jps
node1:8080
pyspark --master spark://node1:7077
运行测试代码
r = sc.parallelize(range(10))
r.map(lambda x:x*2).collect()
~/opt/spark/sbin/stop-all.sh
可以使用
stop-master.sh
、stop-slave.sh
和stop-slaves.sh
分别停止Master节点,本机slave节点和所有slave节点
安装jupyter(如果在安装python时安装的anaconda,则不需要再安装jupyter, 因为anaconda本身包含了jupyter)
sudo pip3 install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple
启动jupyter进入交互界面
jupyter notebook
或者
jupyter lab
尝试运行代码
from pyspark import SparkConf, SparkContext
conf = SparkConf().setMaster('local').setAppName("My App")
sc = SparkContext(conf = conf)
logFile = "file:///home/xiaobai/opt/spark/README.md"
logData = sc.textFile(logFile, 2).cache()
numAs = logData.filter(lambda line: 'a' in line).count()
numBs = logData.filter(lambda line: 'b' in line).count()
print('Lines with a: %s, Lines with b: %s' % (numAs, numBs))
vi wordcount.py
编写代码:
from pyspark import SparkConf, SparkContext
conf = SparkConf().setAppName("My App")
sc = SparkContext(conf = conf)
logFile = "file:///home/xiaobai/opt/spark/README.md"
logData = sc.textFile(logFile, 2).cache()
numAs = logData.filter(lambda line: 'a' in line).count()
numBs = logData.filter(lambda line: 'b' in line).count()
print('Lines with a: %s, Lines with b: %s' % (numAs, numBs))
spark-submit wordcount.py
请确保已开启master和worker
spark-submit --master spark://node1:7077 wordcount.py
spark-submit --master yarn wordcount.py
注意:
因为我们采用的是伪分布式,主机内存可能不够,可能导致如下错误
ERROR TransportClient: Failed to send RPC RPC 6184886792270084293 to /192.168.206.129:56372: java.nio.channels.ClosedChannelException
可以修改Hadoop的yarn-site.xml配置,然后重启YARN即可。
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
spark-submit常用参数,可以使用help命令查看:
spark-submit --help
常用参数:
Options: --master MASTER_URL spark://host:port, mesos://host:port, yarn, k8s://https://host:port, or local (Default: local[*]). --deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster"), (Default: client). --class CLASS_NAME Your application's main class (for Java / Scala apps). --name NAME A name of your application. --jars JARS Comma-separated list of jars to include on the driver and executor classpaths. --packages Comma-separated list of maven coordinates of jars to include on the driver and executor classpaths. Will search the local maven repo, then maven central and any additional remote repositories given by --repositories. The format for the coordinates should be groupId:artifactId:version
链接:https://pan.baidu.com/s/1u3Qbj2VQ8UbuSuGQOWjWCg
提取码:nuli
文章浏览阅读2.5w次,点赞6次,收藏50次。官方解释是,docker 容器是机器上的沙盒进程,它与主机上的所有其他进程隔离。所以容器只是操作系统中被隔离开来的一个进程,所谓的容器化,其实也只是对操作系统进行欺骗的一种语法糖。_docker菜鸟教程
文章浏览阅读5.7k次,点赞3次,收藏14次。该如何避免的,今天小编给大家推荐两个下载Windows系统官方软件的资源网站,可以杜绝软件捆绑等行为。该站提供了丰富的Windows官方技术资源,比较重要的有MSDN技术资源文档库、官方工具和资源、应用程序、开发人员工具(Visual Studio 、SQLServer等等)、系统镜像、设计人员工具等。总的来说,这两个都是非常优秀的Windows系统镜像资源站,提供了丰富的Windows系统镜像资源,并且保证了资源的纯净和安全性,有需要的朋友可以去了解一下。这个非常实用的资源网站的创建者是国内的一个网友。_msdn我告诉你
文章浏览阅读1.2k次。vue2封装对话框el-dialog组件_
文章浏览阅读4.7k次,点赞5次,收藏6次。MFC 文本框换行 标签: it mfc 文本框1.将Multiline属性设置为True2.换行是使用"\r\n" (宽字符串为L"\r\n")3.如果需要编辑并且按Enter键换行,还要将 Want Return 设置为 True4.如果需要垂直滚动条的话将Vertical Scroll属性设置为True,需要水平滚动条的话将Horizontal Scroll属性设_c++ mfc同一框内输入二行怎么换行
文章浏览阅读832次。检查Linux是否是否开启所需端口,默认为6379,若未打开,将其开启:以root用户执行iptables -I INPUT -p tcp --dport 6379 -j ACCEPT如果还是未能解决,修改redis.conf,修改主机地址:bind 192.168.85.**;然后使用该配置文件,重新启动Redis服务./redis-server redis.conf..._redis-server doesn't support auth command or ismisconfigured. try
文章浏览阅读4.9k次。济大数电实验报告_数据选择器及其应用
文章浏览阅读236次。1研究内容消费在生产中占据十分重要的地位,是生产的最终目的和动力,是保持省内经济稳定快速发展的核心要素。预测河南省社会消费品零售总额,是进行宏观经济调控和消费体制改变创新的基础,是河南省内人民对美好的全面和谐社会的追求的要求,保持河南省经济稳定和可持续发展具有重要意义。本文建立灰色预测模型,利用MATLAB软件,预测出2019年~2023年河南省社会消费品零售总额预测值分别为21881...._灰色预测模型用什么软件
文章浏览阅读1.2k次。12.4-在Qt中使用Log4Qt输出Log文件,看这一篇就足够了一、为啥要使用第三方Log库,而不用平台自带的Log库二、Log4j系列库的功能介绍与基本概念三、Log4Qt库的基本介绍四、将Log4qt组装成为一个单独模块五、使用配置文件的方式配置Log4Qt六、使用代码的方式配置Log4Qt七、在Qt工程中引入Log4Qt库模块的方法八、获取示例中的源代码一、为啥要使用第三方Log库,而不用平台自带的Log库首先要说明的是,在平时开发和调试中开发平台自带的“打印输出”已经足够了。但_log4qt
文章浏览阅读786次。全局观思维模型,一个教我们由点到线,由线到面,再由面到体,不断的放大格局去思考问题的思维模型。_计算机中对于全局观的
文章浏览阅读330次。一、CountDownLatch介绍CountDownLatch采用减法计算;是一个同步辅助工具类和CyclicBarrier类功能类似,允许一个或多个线程等待,直到在其他线程中执行的一组操作完成。二、CountDownLatch俩种应用场景: 场景一:所有线程在等待开始信号(startSignal.await()),主流程发出开始信号通知,既执行startSignal.countDown()方法后;所有线程才开始执行;每个线程执行完发出做完信号,既执行do..._countdownluach于cyclicbarrier的用法
文章浏览阅读508次。Prometheus 算是一个全能型选手,原生支持容器监控,当然监控传统应用也不是吃干饭的,所以就是容器和非容器他都支持,所有的监控系统都具备这个流程,_-自动化监控系统prometheus&grafana实战
文章浏览阅读4.7k次。输入关键字,可以通过键盘的搜索按钮完成搜索功能。_react search