大数据原理与应用 第十六章 Spark 学习指南

点击这里观看厦门大学林子雨老师主讲《大数据技术原理与应用》授课视频
【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。

一、安装 Spark

访问Spark官方下载地址，按照如下图下载。

该部分介绍了单机中 Spark 的安装。我们选择Spark 1.6.2版本教学。该教程的具体运行环境如下：

• Hadoop 2.6.0以上
• Java JDK 1.7以上
• Spark 1.6.2

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Hadoop安装教程_单机/伪分布式配置_Hadoop2.6.0/Ubuntu14.04,依照教程学习安装即可。

安装JAVA JDK

安装Hadoop的过程就已经要求安装JAVA JDK了。如果没有，请参考Hadoop安装教程_单机/伪分布式配置_Hadoop2.6.0/Ubuntu14.04进行安装配置。

安装Spark

sudo tar -zxf ~/下载/spark-1.6.2-bin-without-hadoop.tgz -C /usr/local/
cd /usr/local
sudo mv ./spark-1.6.2-bin-without-hadoop/ ./spark
sudo chown -R hadoop:hadoop ./spark          # 此处的 hadoop 为你的用户名

安装后，还需要修改Spark的配置文件spark-env.sh

cd /usr/local/spark
cp ./conf/spark-env.sh.template ./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/spark
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：

二、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

:quit

三、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
   sbt是一款Spark用来对scala编写程序进行打包的工具，这里简单介绍sbt的安装过程，感兴趣的读者可以参考官网资料了解更多关于sbt的内容。
   Spark 中没有自带 sbt，这里直接给出sbt-launch.jar的下载地址，直接点击下载即可。
   我们选择安装在 /usr/local/sbt 中：

   sudo mkdir /usr/local/sbt
   sudo chown -R hadoop /usr/local/sbt      # 此处的 hadoop 为你的用户名
   cd /usr/local/sbt
   

   下载后，执行如下命令拷贝至 /usr/local/sbt 中：

   cp ~/下载/sbt-launch.jar .
   

   接着在 /usr/local/sbt 中创建 sbt 脚本（vim ./sbt），添加如下内容：

   #!/bin/bash
   SBT_OPTS="-Xms512M -Xmx1536M -Xss1M -XX:+CMSClassUnloadingEnabled -XX:MaxPermSize=256M"
   java $SBT_OPTS -jar `dirname $0`/sbt-launch.jar "$@"
   

   保存后，为 ./sbt 脚本增加可执行权限：

   chmod u+x ./sbt
   

   最后运行如下命令，检验 sbt 是否可用（请确保电脑处于联网状态，首次运行会处于 “Getting org.scala-sbt sbt 0.13.11 ...” 的下载状态，请耐心等待。笔者等待了 7 分钟才出现第一条下载提示）：

   ./sbt sbt-version
   

   只要能得到如下图的版本信息就没问题：

   

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/spark/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/spark/README 文件中包含 "a" 的行数 和包含 "b" 的行数。代码第8行的 /usr/local/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 := "2.10.5"
   
   libraryDependencies += "org.apache.spark" %% "spark-core" % "1.6.2"
   

   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 ）：

   /usr/local/sbt/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
   ubuntu中没有自带安装maven，需要手动安装maven。可以访问maven官方下载自己下载。这里直接给出apache-maven-3.3.9-bin.zip的下载地址,直接点击下载即可。
   选择安装在/usr/local/maven中：

   sudo unzip ~/下载/apache-maven-3.3.9-bin.zip -d /usr/local
   cd /usr/local
   sudo mv apache-maven-3.3.9/ ./maven
   sudo chown -R hadoop ./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/spark/README.md"; // Should be some file on your system
           JavaSparkContext sc = new JavaSparkContext("local", "Simple App",
               "file:///usr/local/spark/", 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>2.0.0-preview</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):

   /usr/local/maven/bin/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
   

扩展阅读

如果想了解更多有关Spark的学习内容，请访问Spark快速入门指南 – Spark安装与基础使用,主要对官方入门教程进行了翻译，可以帮助读者快速入门Spark。