版权声明：本指南为厦门大学林子雨编著的《大数据技术原理与应用》教材配套学习资料，版权所有，转载请注明出处，请勿用于商业用途】

注：第十六章Spark，本章为2016年新增章节，不在2015年8月1日由人民邮电出版社出版发行的《大数据技术原理与应用》中，会被放入到教材的下一个版本中。

Apache Spark 是一个新兴的大数据处理通用引擎，提供了分布式的内存抽象。Spark 最大的特点就是快，可比 Hadoop MapReduce 的处理速度快 100 倍。本指南将介绍 Spark 的安装与基本使用。请务必仔细阅读完厦门大学林子雨编著的《大数据技术原理与应用》第16章节（点击这里下载第十六章Spark的pdf电子书），再结合本指南进行学习。

安装Spark

安装Hadoop

Spark的安装过程较为简单，在已安装好 Hadoop 的前提下，经过简单配置即可使用。
如果仍没有安装Hadoop，请访问macOS 安装Hadoop教程-单机-伪分布式配置

安装Spark

brew install apache-spark

安装后，还需要修改Spark的配置文件spark-env.sh

cd /usr/local/Cellar/apache-spark/2.2.0
cp ./libexec/conf/spark-env.sh.template ./libexec/conf/spark-env.sh

编辑spark-env.sh文件(vim ./conf/spark-env.sh)，在第一行添加以下配置信息:

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

配置完成后就可以直接使用，不需要像Hadoop运行启动命令。
通过运行Spark自带的示例，验证Spark是否安装成功。

cd /usr/local/Cellar/apache-spark/2.2.0
bin/run-example SparkPi

执行时会输出非常多的运行信息，输出结果不容易找到，可以通过 grep 命令进行过滤（命令中的 2>&1 可以将所有的信息都输出到 stdout 中，否则由于输出日志的性质，还是会输出到屏幕中）:

bin/run-example SparkPi 2>&1 | grep "Pi is"

这里涉及到Linux Shell中管道的知识，详情可以参考Linux Shell中的管道命令
过滤后的运行结果如下图示，可以得到π 的 5 位小数近似值：

使用spark shell编写代码

学习Spark程序开发，建议首先通过spark-shell交互式学习，加深Spark程序开发的理解。
该部分介绍了 Spark Shell 的基本使用。Spark shell 提供了简单的方式来学习 API，也提供了交互的方式来分析数据。

Spark Shell 支持 Scala 和 Python，该部分教程选择使用 Scala 来进行介绍。

启动Spark Shell

bin/spark-shell

启动spark-shell后，会自动创建名为sc的spark context对象和名为sqlContext的sql context对象,如图：

加载text文件

spark创建sc，可以加载本地文件和HDFS文件创建RDD。这里用Spark自带的本地文件README.md文件测试。

val textFile = sc.textFile("file:///usr/local/spark/README.md")

加载HDFS文件和本地文件都是使用textFile，区别是添加前缀(hdfs://和file://)进行标识。

简单RDD操作

//获取RDD文件textFile的第一行内容
textFile.first()
//获取RDD文件textFile所有项的计数
textFile.count()
//抽取含有“Spark”的行，返回一个新的RDD
val lineWithSpark = textFile.filter(line => line.contains("Spark"))
//统计新的RDD的行数
lineWithSpark.count()

可以通过组合RDD操作进行组合，可以实现简易MapReduce操作

//找出文本中每行的最多单词数
textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)

更多RDD的操作，请访问Spark官方文档RDD操作

退出Spark Shell

输入exit，即可退出spark shell

exit

独立应用程序编程

接着我们通过一个简单的应用程序 SimpleApp 来演示如何通过 Spark API 编写一个独立应用程序。使用 Scala 编写的程序需要使用 sbt 进行编译打包，相应的，Java 程序使用 Maven 编译打包，而 Python 程序通过 spark-submit 直接提交。

Scala独立应用编程

1. 安装sbt

   brew install sbt
   

   cd /usr/local/Cellar/sbt/0.13.13
   bin/sbt sbt-version
   

   只要能得到如下图的版本信息就没问题：

   [info] Set current project to root-0-13-13 (in build file:/usr/local/Cellar/sbt/0.13.13/)
   [info] 0.13.13
   

2. Scala应用程序代码
   在终端中执行如下命令创建一个文件夹 sparkapp 作为应用程序根目录：

   cd ~           # 进入用户主文件夹
   mkdir ./sparkapp        # 创建应用程序根目录
   mkdir -p ./sparkapp/src/main/scala     # 创建所需的文件夹结构
   

   在 ./sparkapp/src/main/scala 下建立一个名为 SimpleApp.scala 的文件（vim ./sparkapp/src/main/scala/SimpleApp.scala），添加代码如下：

   /* SimpleApp.scala */
   import org.apache.spark.SparkContext
   import org.apache.spark.SparkContext._  
   import org.apache.spark.SparkConf
   
   object SimpleApp {
       def main(args: Array[String]) {
           val logFile = "file:///usr/local/Cellar/apache-spark/2.2.0/README.md" // Should be some file on your system
           val conf = new SparkConf().setAppName("Simple Application")
           val sc = new SparkContext(conf)
           val logData = sc.textFile(logFile, 2).cache()
           val numAs = logData.filter(line => line.contains("a")).count()
           val numBs = logData.filter(line => line.contains("b")).count()
           println("Lines with a: %s, Lines with b: %s".format(numAs, numBs))
       }
   }
   

   该程序计算 /usr/local/Cellar/apache-spark/2.2.0/README.md 文件中包含 "a" 的行数 和包含 "b" 的行数。代码第8行的 /usr/local/Cellar/apache-spark/ 为 Spark 的安装目录，如果不是该目录请自行修改。不同于 Spark shell，独立应用程序需要通过 val sc = new SparkContext(conf) 初始化 SparkContext，SparkContext 的参数 SparkConf 包含了应用程序的信息。

   该程序依赖 Spark API，因此我们需要通过 sbt 进行编译打包。 ./sparkapp 中新建文件 simple.sbt（vim ./sparkapp/simple.sbt），添加内容如下，声明该独立应用程序的信息以及与 Spark 的依赖关系：

   name := "Simple Project"
   
   version := "1.0"
   
   scalaVersion := "2.11.8"
   
   libraryDependencies += "org.apache.spark" %% "spark-core" % "2.2.0"
   

   文件 simple.sbt 需要指明 Spark 和 Scala 的版本。在上面的配置信息中，scalaVersion用来指定scala的版本，sparkcore用来指定spark的版本，这两个版本信息都可以在之前的启动 Spark shell 的过程中，从屏幕的显示信息中找到。下面就是笔者在启动过程当中，看到的相关版本信息（备注：屏幕显示信息会很长，需要往回滚动屏幕仔细寻找信息）。

   

3. 使用 sbt 打包 Scala 程序
   为保证 sbt 能正常运行，先执行如下命令检查整个应用程序的文件结构：

   cd ~/sparkapp
   find .
   

   文件结构应如下图所示：

   

   接着，我们就可以通过如下代码将整个应用程序打包成 JAR（首次运行同样需要下载依赖包 ）：

   sbt package
   

   打包成功的话，会输出如下图内容：

   

   生成的 jar 包的位置为 ~/sparkapp/target/scala-2.10/simple-project_2.10-1.0.jar。

4. 通过 spark-submit 运行程序
   最后，我们就可以将生成的 jar 包通过 spark-submit 提交到 Spark 中运行了，命令如下：

   /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp/target/scala-2.10/simple-project_2.10-1.0.jar
   # 上面命令执行后会输出太多信息，可以不使用上面命令，而使用下面命令查看想要的结果
   /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp/target/scala-2.10/simple-project_2.10-1.0.jar 2>&1 | grep "Lines with a:"
   

   最终得到的结果如下：

   Lines with a: 58, Lines with b: 26
   

自此，你就完成了你的第一个 Spark 应用程序了。

Java独立应用编程

1. 安装maven

   brew install maven
   

2. Java应用程序代码
   在终端执行如下命令创建一个文件夹sparkapp2作为应用程序根目录

   cd ~ #进入用户主文件夹
   mkdir -p ./sparkapp2/src/main/java
   

   在 ./sparkapp2/src/main/java 下建立一个名为 SimpleApp.java 的文件（vim ./sparkapp2/src/main/java/SimpleApp.java），添加代码如下：

   /*** SimpleApp.java ***/
   import org.apache.spark.api.java.*;
   import org.apache.spark.api.java.function.Function;
   
   public class SimpleApp {
       public static void main(String[] args) {
           String logFile = "file:///usr/local/Cellar/apache-spark/2.2.0/README.md"; // Should be some file on your system
           JavaSparkContext sc = new JavaSparkContext("local", "Simple App",
               "file:///usr/local/Cellar/apache-spark/2.2.0/", new String[]{"target/simple-project-1.0.jar"});
           JavaRDD<String> logData = sc.textFile(logFile).cache();
   
           long numAs = logData.filter(new Function<String, Boolean>() {
               public Boolean call(String s) { return s.contains("a"); }
           }).count();
   
           long numBs = logData.filter(new Function<String, Boolean>() {
               public Boolean call(String s) { return s.contains("b"); }
           }).count();
   
           System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);
       }
   }
   

   该程序依赖Spark Java API,因此我们需要通过Maven进行编译打包。在./sparkapp2中新建文件pom.xml(vim ./sparkapp2/pom.xml),添加内容如下，声明该独立应用程序的信息以及与Spark的依赖关系：

   <project>
       <groupId>edu.berkeley</groupId>
       <artifactId>simple-project</artifactId>
       <modelVersion>4.0.0</modelVersion>
       <name>Simple Project</name>
       <packaging>jar</packaging>
       <version>1.0</version>
       <repositories>
           <repository>
               <id>Akka repository</id>
               <url>http://repo.akka.io/releases</url>
           </repository>
       </repositories>
       <dependencies>
           <dependency> <!-- Spark dependency -->
               <groupId>org.apache.spark</groupId>
               <artifactId>spark-core_2.11</artifactId>
               <version>2.2.0</version>
           </dependency>
       </dependencies>
   </project>
   

   关于Spark dependency的依赖关系，可以访问The Central Repository。搜索spark-core可以找到相关依赖关系信息。
   

3. 使用maven打包java程序
   为了保证maven能够正常运行，先执行如下命令检查整个应用程序的文件结构:

   cd ~/sparkapp2
   find
   

   文件结构如下图：
   
   接着，我们可以通过如下代码将这整个应用程序打包成Jar(注意：电脑需要保持连接网络的状态，而且首次运行同样下载依赖包，同样消耗几分钟的时间):

   mvn package
   

   如出现下图，说明生成Jar包成功：
   

4. 通过spark-submit 运行程序
   最后，可以通过将生成的jar包通过spark-submit提交到Spark中运行，如下命令：

   /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp2/target/simple-project-1.0.jar
   # 上面命令执行后会输出太多信息，可以不使用上面命令，而使用下面命令查看想要的结果
   /usr/local/spark/bin/spark-submit --class "SimpleApp" ~/sparkapp2/target/simple-project-1.0.jar 2>&1 | grep "Lines with a"
   

   最后得到的结果如下:

   Lines with a: 58, Lines with b: 26