概要
大數據和人工智能已經宣傳了好多年, Hadoop 和 Spark 也已經發布了很長時間, 一直想試試, 但是工作也遇不到使用的場景, 就一直拖着. 這次在極客時間上選了蔡元楠老師的《大規模數據處理實戰》的課. 其中介紹了很多 Spark 的內容, 就此機會, 也在虛擬機中配置了 Spark 的單機環境.
一方面, 熟悉熟悉 Spark 的用法; 另一方面, 雖然還沒有接觸到大數據分析的場景, 但是即使是了解了解 Spark 中處理大數據的機制, API 的設計, 也可以開拓平時編程的思路.
Spark 單機環境配置
我是 Debian10 上配置的.
JDK 環境配置
JDK 使用的是 Oracle 的標准 JDK1.8 版本, 國內從 Oracle 官網上下載 JDK 非常慢, 推薦使用華為的 mirror: https://mirrors.huaweicloud.com/java/jdk/8u202-b08/jdk-8u202-linux-x64.tar.gz
下載后, 我是將其解壓到 /usr/local 文件夾
$ 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
然后配置環境變量, 如果是 bash, 則配置 ~/.bashrc; 如果是 zsh, 則配置 ~/.zshenv
# java
export JAVA_HOME=/usr/local/jdk1.8
export PATH=$PATH:$JAVA_HOME/bin
配置好之后, 通過如下命令檢查是否安裝配置成功:
$ 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 環境配置
Spark 安裝也非常簡單, 從官網上下載最新的 packagea, 我下載的最新版本如下:
$ 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
下載后同樣, 也解壓到 /usr/local 文件夾
Spark 也需要配置相應的環境變量: (同配置 JDK 一樣, 根據你使用的是 bash 還是 zsh, 配置環境變量到不同的文件中)
# spark
export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$SPARK_HOME/bin
配置完成后, 在命令行輸入如下命令看看是否能成功運行:
$ 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 這里的 pyspark 使用的 2.x 版本的 python, 后續我們配置了 python 環境之后, 會在 python3 下開發
python 環境配置
Debian10 系統中自帶了 python2 和 python3 的環境, 為了不影響現有系統的默認環境, 我們安裝 virtualenv 來使用 spark
首先, 安裝 virtualenv, 並生成一個獨立的 python3 環境
$ pip3 install virtualenv
$ virtualenv py3-vm
啟動 py3-vm, 並在其中安裝 pyspark, 開發 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
上述環境都配置之后, 下面用一個簡單的例子來嘗試 spark 的 API 強大之處. 我們構造一個訂單統計的例子:
- 數據源: csv 格式的訂單文件, 每行 3 個信息, 訂單號(不重復), 店鋪名稱, 訂單金額
- 訂單數統計: 按照店鋪統計訂單數
- 訂單金額統計: 按照店鋪統計訂單金額
示例代碼 (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 # 統計各個店鋪的訂單數
19 orderCounts = lines.groupBy('shop').count()
20 orderCounts.show()
21
22 # 統計各個店鋪的訂單金額
23 shopPrices = lines.groupBy('shop').sum('price')
24 shopPrices.show()
25
26 spark.stop()
測試用的 csv 文件內容 (orders.csv)
1,京東,10.0
2,京東,20.0
3,天貓,21.0
4,京東,22.0
5,天貓,11.0
6,京東,22.0
7,天貓,23.0
8,天貓,24.0
9,天貓,40.0
10,天貓,70.0
11,天貓,10.0
12,天貓,20.0
運行結果
$ 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|
+----|-----+
|京東| 4|
|天貓| 8|
+----|-----+
+----|----------+
|shop|sum(price)|
+----|----------+
|京東| 74.0|
|天貓| 219.0|
+----|----------+