• 概要
• Spark 单机环境配置
  • JDK 环境配置
  • Spark 环境配置
  • python 环境配置
• Spark 使用示例
  • 示例代码 (order_stat.py)
  • 测试用的 csv 文件内容 (orders.csv)
  • 运行结果

概要

大数据和人工智能已经宣传了好多年, Hadoop 和 Spark 也已经发布了很长时间, 一直想试试, 但是工作也遇不到使用的场景, 就一直拖着. 这次在极客时间上选了蔡元楠老师的《大规模数据处理实战》的课. 其中介绍了很多 Spark 的内容, 就此机会, 也在虚拟机中配置了 Spark 的单机环境.

一方面, 熟悉熟悉 Spark 的用法; 另一方面, 虽然还没有接触到大数据分析的场景, 但是即使是了解了解 Spark 中处理大数据的机制, API 的设计, 也可以开拓平时编程的思路.

Spark 单机环境配置

我是 Debian10 上配置的.

JDK 环境配置

JDK 使用的是 Oracle 的标准 JDK1.8 版本, 国内从 Oracle 官网上下载 JDK 非常慢, 推荐使用华为的 mirror: https://mirrors.huaweicloud.com/java/jdk/8u202-b08/jdk-8u202-linux-x64.tar.gz

下载后, 我是将其解压到 /usr/local 文件夹

$ wget https://mirrors.huaweicloud.com/java/jdk/8u202-b08/jdk-8u202-linux-x64.tar.gz 
$ sudo tar zxvf jdk-8u202-linux-x64.tar.gz -C /usr/local 

然后配置环境变量, 如果是 bash, 则配置 ~/.bashrc; 如果是 zsh, 则配置 ~/.zshenv

# java
export JAVA_HOME=/usr/local/jdk1.8
export PATH=$PATH:$JAVA_HOME/bin

配置好之后, 通过如下命令检查是否安装配置成功:

$ java -version
java version "1.8.0_202"
Java(TM) SE Runtime Environment (build 1.8.0_202-b08)
Java HotSpot(TM) 64-Bit Server VM (build 25.202-b08, mixed mode)

Spark 环境配置

Spark 安装也非常简单, 从官网上下载最新的 packagea, 我下载的最新版本如下:

$ wget http://mirror.bit.edu.cn/apache/spark/spark-3.0.0-preview2/spark-3.0.0-preview2-bin-hadoop2.7.tgz
$ sudo tar zxvf spark-3.0.0-preview2-bin-hadoop2.7.tgz -C /usr/local

下载后同样, 也解压到 /usr/local 文件夹

Spark 也需要配置相应的环境变量: (同配置 JDK 一样, 根据你使用的是 bash 还是 zsh, 配置环境变量到不同的文件中)

# spark
export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$SPARK_HOME/bin

配置完成后, 在命令行输入如下命令看看是否能成功运行:

$ pyspark
Python 2.7.16 (default, Oct 10 2019, 22:02:15)
[GCC 8.3.0] on linux2
Type "help", "copyright", "credits" or "license" for more information.
20/03/02 15:21:23 WARN Utils: Your hostname, debian-wyb resolves to a loopback address: 127.0.1.1; using 10.0.2.15 instead (on interface enp0s3)
20/03/02 15:21:23 WARN Utils: Set SPARK_LOCAL_IP if you need to bind to another address
20/03/02 15:21:23 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
/usr/local/spark/python/pyspark/context.py:219: DeprecationWarning: Support for Python 2 and Python 3 prior to version 3.6 is deprecated as of Spark 3.0. See also the plan for dropping Python 2 support at https://spark.apache.org/news/plan-for-dropping-python-2-support.html.
  DeprecationWarning)
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _ / _ / _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_   version 3.0.0-preview2
      /_/

Using Python version 2.7.16 (default, Oct 10 2019 22:02:15)
SparkSession available as 'spark'.

注 这里的 pyspark 使用的 2.x 版本的 python, 后续我们配置了 python 环境之后, 会在 python3 下开发

python 环境配置

Debian10 系统中自带了 python2 和 python3 的环境, 为了不影响现有系统的默认环境, 我们安装 virtualenv 来使用 spark

首先, 安装 virtualenv, 并生成一个独立的 python3 环境

$ pip3 install virtualenv
$ virtualenv py3-vm

启动 py3-vm, 并在其中安装 pyspark, 开发 spark 的示例

$ source ./py3-vm/bin/activate
$ pip install pyspark
$ pip install findspark

退出上面的 py3-vm, 使用如下命令:

$ deactive

Spark 使用示例

上述环境都配置之后, 下面用一个简单的例子来尝试 spark 的 API 强大之处. 我们构造一个订单统计的例子:

1. 数据源: csv 格式的订单文件, 每行 3 个信息, 订单号(不重复), 店铺名称, 订单金额
2. 订单数统计: 按照店铺统计订单数
3. 订单金额统计: 按照店铺统计订单金额

示例代码 (order_stat.py)

 1  import findspark
 2  
 3  findspark.init()
 4  
 5  if __name__ == "__main__":
 6      from pyspark.sql import SparkSession
 7      from pyspark.sql.functions import *
 8  
 9      spark = SparkSession
10          .builder
11          .appName('order stat')
12          .getOrCreate()
13  
14      lines = spark.read.csv("./orders.csv",
15                             sep=",",
16                             schema="order INT, shop STRING, price DOUBLE")
17  
18      # 统计各个店铺的订单数
19      orderCounts = lines.groupBy('shop').count()
20      orderCounts.show()
21  
22      # 统计各个店铺的订单金额
23      shopPrices = lines.groupBy('shop').sum('price')
24      shopPrices.show()
25  
26      spark.stop()

测试用的 csv 文件内容 (orders.csv)

1,京东,10.0
2,京东,20.0
3,天猫,21.0
4,京东,22.0
5,天猫,11.0
6,京东,22.0
7,天猫,23.0
8,天猫,24.0
9,天猫,40.0
10,天猫,70.0
11,天猫,10.0
12,天猫,20.0

运行结果

$ python order_stat.py
20/03/02 17:40:50 WARN Utils: Your hostname, debian-wyb resolves to a loopback address: 127.0.1.1; using 10.0.2.15 instead (on interface enp0s3)
20/03/02 17:40:50 WARN Utils: Set SPARK_LOCAL_IP if you need to bind to another address
20/03/02 17:40:50 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
+----|-----+
|shop|count|
+----|-----+
|京东|    4|
|天猫|    8|
+----|-----+

+----|----------+
|shop|sum(price)|
+----|----------+
|京东|      74.0|
|天猫|     219.0|
+----|----------+