一、寫在最前

二、掌握spark的安裝與環境配置

三、掌握Ubuntu下的Python的版本管理與第三方的安裝

四、掌握windows下Pycharm與Ubuntu的同步連接

五、掌握Spark讀取文件系統的數據

參考網站:

https://spark.apache.org/docs/1.1.1/quick-start.html

一、寫在最前:實驗環境

操作系統：Ubuntu16.04；
Spark版本：2.4.6；
Hadoop版本：2.7.2。
Python版本：3.5.。

點擊下載:spark-2.4.6-bin-without-hadoop.tgz

二、掌握spark的安裝與環境配置

#### 1、解壓縮spark壓縮包,並移動

[email protected]:~$ tar zxf spark-2.4.6-bin-without-hadoop.tgz
[email protected]:~$ ls -lh
total 536M
-rw-rw-r-- 1 ubuntu ubuntu 203M Mar 28 09:59 hadoop-2.7.2.tar.gz
-rw-rw-r-- 1 ubuntu ubuntu 173M Mar 28 09:11 jdk-8u77-linux-x64.tar.gz
-rw-rw-r-- 1 ubuntu ubuntu 458 Mar 28 13:31 jps
drwxr-xr-x 13 ubuntu ubuntu 4.0K May 30 2020 spark-2.4.6-bin-without-hadoop
-rw-rw-r-- 1 ubuntu ubuntu 161M Mar 26 19:34 spark-2.4.6-bin-without-hadoop.tgz
[email protected]:~$ sudo mv spark-2.4.6-bin-without-hadoop /usr/local/
[email protected]:~$ cd /usr/local/
[email protected]:/usr/local$ sudo mv spark-2.4.6-bin-without-hadoop/ spark
[email protected]:/usr/local$ ls -lh spark/

2、修改Spark環境變量文件

[email protected]:~$ cd /usr/local/spark/conf/
[email protected]:/usr/local/spark/conf$ pwd
/usr/local/spark/conf
[email protected]:/usr/local/spark/conf$ cp spark-env.sh.template spark-env.sh
[email protected]:/usr/local/spark/conf$ vi spark-env.sh

編輯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-2.7.2/bin/hadoop classpath)

有了上面的配置信息以後，Spark就可以把數據存儲到Hadoop分布式文件系統HDFS中，也可以從HDFS中讀取數據。如果沒有配置上面信息，Spark就只能讀寫本地數據，無法讀寫HDFS數據。 配置完成後就可以直接使用，不需要像Hadoop運行啟動命令。 通過運行Spark自帶的示例，驗證Spark是否安裝成功。

執行時會輸出非常多的運行信息，輸出結果不容易找到，可以通過 grep 命令進行過濾（命令中的 2>&1 可以將所有的信息都輸出到 stdout 中，否則由於輸出日志的性質，還是會輸出到屏幕中）:

[email protected]:/usr/local/spark$ ./bin/run-example SparkPi 2>&1 | grep "Pi is"

修改/usr/local/spark/bin/pyspark 文件內容
修改45行 python 為 python3

執行命令sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 150

[email protected]:/usr/local/spark/bin$ sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 150

三、掌握Ubuntu下的Python的版本管理與第三方的安裝

whereis python3 # 確定Python3目錄
cd /usr/lib/python3.5 # 切換目錄 
sudo apt-get install python3-pip # 安裝 pip 軟件
sudo pip3 install -i https://pypi.doubanio.com/simple matplotlib # 安裝 matplotlib 

[email protected]:~$ whereis python3
python3: /usr/bin/python3 /usr/bin/python3.5 /usr/bin/python3.5m /usr/lib/python3 /usr/lib/python3.5 /etc/python3 /etc/python3.5 /usr/local/lib/python3.5 /usr/share/python3 /usr/share/man/man1/python3.1.gz
[email protected]:~$ cd /usr/lib/python3.5/
[email protected]:/usr/lib/python3.5$ sudo apt-get install python3-pip
[email protected]:/usr/lib/python3.5$ sudo pip3 install -i https://pypi.doubanio.com/simple matplotlib

四、掌握windows下Pycharm與Ubuntu的同步連接

#### 1) 打開 Pycharm ，打開 File --> settings --> 點擊 + 號 ， 然後 選擇 SSH Interpreter 進行 Server 設置 ； 輸入 虛擬機Ubuntu的IP地址以及用戶名與密碼

五、掌握Spark讀取文件系統的數據

1）在pyspark中讀取Linux系統本地文件“/home/hadoop/test.txt”，然後統計出文件的行數；

首先創建測試文件

$ vi /home/hadoop/test.txt
this is line 1
this is line 2
this is line 3
this is line 4

[email protected]:/usr/local/spark/bin$ pwd
/usr/local/spark/bin
[email protected]:/usr/local/spark/bin$ ./pyspark
Python 3.5.2 (default, Jan 26 2021, 13:30:48)
[GCC 5.4.0 20160609] on linux
Type "help", "copyright", "credits" or "license" for more information.
22/03/28 15:57:23 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Welcome to
____ __
/ __/__ ___ _____/ /__
_\ \/ _ \/ _ `/ __/ '_/ /__ / .__/\_,_/_/ /_/\_\ version 2.4.6 /_/ Using Python version 3.5.2 (default, Jan 26 2021 13:30:48) SparkSession available as 'spark'.
>>> lines = sc.textFile("file:/home/hadoop/test.txt")
>>> lines.count()
4
>>>

2）在pyspark中讀取HDFS系統文件“/user/hadoop/test.txt”（如果該文件不存在，請先創建），然後，統計出文件的行數；

[email protected]:~$ cd /home/hadoop/
[email protected]:/home/hadoop$ hadoop fs -ls /
Found 1 items
drwxrwx--- - ubuntu supergroup 0 2022-03-28 17:15 /tmp
[email protected]:/home/hadoop$ hadoop fs -mkdir -p /user/hadoop
[email protected]:/home/hadoop$ hadoop fs -put test.txt /user/hadoop/
[email protected]:/home/hadoop$ hadoop fs -ls /user/hadoop/
Found 1 items
-rw-r--r-- 3 ubuntu supergroup 60 2022-03-28 17:17 /user/hadoop/test.txt
[email protected]:/home/hadoop$ /usr/local/spark/bin/pyspark
>>> lines = sc.textFile("/user/hadoop/test.txt")
>>> lines.count()

3）編寫獨立應用程序，讀取HDFS系統文件“/user/hadoop/test.txt”（如果該文件不存在，請先創建），然後，統計出文件的行數；

[email protected]:/home/hadoop$ sudo vi st-app.py
from pyspark import SparkContext
logFile = "/user/hadoop/test.txt" # Should be some file on your system
sc = SparkContext("local", "Simple App")
logData = sc.textFile(logFile).cache()
print("The HDFS file lines : ",logData.count())

[email protected]:/home/hadoop$ /usr/local/spark/bin/spark-submit --master local[4] st-app.py 2>&1 | grep "The HDFS"