Spark 安装&配置

258次阅读

共计 3474 个字符，预计需要花费 9 分钟才能阅读完成。

Anaconda 是 Python 科学计算包的合集，在接下来的例子中，会用到其中的 matplotlib 用来生成一张柱状图。
下载地址：https://www.continuum.io/downloads
然后在 Terminal 中输入命令：

bash Anaconda2-4.1.1-Linux-x86_64.sh

注意，应该使用 4.1.1 版本的 Anaconda，因为其 Python 版本是 3.5，而 Spark 目前只支持 3.5 版本的 python，不能支持 3.6 版本的

$ sudo apt-get install software-properties-common
$ sudo add-apt-repository ppa:webupd8team/java
$ sudo apt-get update
$ sudo apt-get install Oracle-java8-installer

在.bashrc 中对 JAVA_HOME 进行配置

vim ~/.bashrc
JAVA_HOME=/usr/lib/jvm/java-8-oracle
export JAVA_HOME
PATH=$PATH:$JAVA_HOME
export PATH

去官网下载压缩包，下载地址 http://spark.apache.org/downloads.html
将安装包解压：

$ tar -zxvf spark-2.0.0-bin-Hadoop2.7.tgz
$ rm spark-2.0.0-bin-hadoop2.7.tgz

vim ~/ .bashrc
export PYSPARK_DRIVER_PYTHON=ipython
export PYSPARK_DRIVER_PYTHON_OPTS=notebook

cd ~/spark-2.0.0-bin-hadoop2.7
./bin/pyspark

出现下面的即为 OK：

eversilver@debian:/usr/local/spark2.1$ ./bin/pyspark 
Python 3.5.2 |Anaconda 4.1.1 (64-bit)| (default, Jul  2 2016, 17:53:06) 
[GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux
Type "help", "copyright", "credits" or "license" for more information.
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/local/spark2.1/jars/slf4j-log4j12-1.7.16.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/hadoop/share/hadoop/common/lib/slf4j-log4j12-1.7.10.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
17/05/03 14:50:12 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
17/05/03 14:50:12 WARN Utils: Your hostname, debian resolves to a loopback address: 127.0.1.1; using 192.168.142.133 instead (on interface eth0)
17/05/03 14:50:12 WARN Utils: Set SPARK_LOCAL_IP if you need to bind to another address
17/05/03 14:50:27 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 2.1.0
      /_/

Using Python version 3.5.2 (default, Jul  2 2016 17:53:06)
SparkSession available as 'spark'.
>>>

每个 Spark 应用都由一个驱动器程序（driver program）来发起集群上的各种并行操作。
驱动器程序通过一个 SparkContext 对象来访问 Spark。这个对象代表对计算集群的一个连接。shell 启动时已经自动创建了一个 SparkContext 对象，是一个叫作 sc 的变量。有了 SparkContent 之后就可以用其来创建 RDD。

第一个例子：

#!/usr/bin/env python
# coding=utf-8
from pyspark import SparkConf, SparkContext
#下面的第一个参数是集群 URL，由于这里运行在本机单线程上，所以用 local 即可
#下面第二个参数是应用名称，当连接到一个集群时，这个值可以帮助你在集群管理器的用户界面中找到你的应用。conf = SparkConf().setMaster("local").setAppName("My App")
sc = SparkContext(conf= conf) #python 中打开获取 SparkContent 来创建 RDD
nums = sc.parallelize([1,2,3,4])
squared = nums.map(lambda x : x * x).collect()
for num in squared:
  print "%i"%(num)