一乡二里共三夫子不识四书五经六义竟敢教七八九子十分大胆！
十室九贫 凑得八两七钱六分五毫四厘 尚且三心二意 一等下流
spark
前言
这里，不谈spark原理，作用，使用场景等，只是一个spark与java打通的一个过程。看似简单，整整花了哥两天的时间，版本号的坑，服务器的坑等等，头胀的能飘起来！按照我下面说的环境和步骤去做，保证你99%能一次跑过，因为我是一边写此篇一边在新的虚拟机配置。一切都ok
环境
| 名称 | 版本号 |
|---|---|
| Linux | CentOS Linux release 7.0.1406 (Core) |
| jdk | 1.8.0_121 OpenJDK 64-Bit Server VM (build 25.121-b13, mixed mode) |
| scala | Scala code runner version 2.10.4 -- Copyright 2002-2013, LAMP/EPFL |
| spark | spark-1.6.2-bin-hadoop2.6 |
环境部署(超详细)
最好把当前Linux的镜像库文件更换掉，这里我用的是163的 传送门 讲解得很详细
卸掉默认的jdk版本
[root@localhost ~]# rpm -qa|grep jdkjava-1.7.0-openjdk-headless-1.7.0.51-2.4.5.5.el7.x86_64 java-1.7.0-openjdk-1.7.0.51-2.4.5.5.el7.x86_64
得到目前jdk的版本，然后删除
yum -y remove java java-1.7.0-openjdk-headless-1.7.0.51-2.4.5.5.el7.x86_64
然后安装下载好的jdk，用到的软件都放在了文末，或者自己去下载或者去各自的官网下载
tar -xvzf jdk-8u121-linux-x64.tar.gz
解压好之后，创建个软连接，方便以后更改版本
ln -sf /usr/local/software/jdk1.8.0_121/ /usr/local/jdk
按照此方法分别对scala和spark操作，配置后结果如下
. ├── bin ├── etc ├── games ├── include ├── jdk -> /usr/local/software/jdk1.8.0_121 ├── lib ├── lib64 ├── libexec ├── sbin ├── scala -> /usr/local/software/scala-2.10.4 ├── share ├── software ├── spark -> /usr/local/software/spark-1.6.2-bin-hadoop2.6 └── src
然后将其分别添加到系统的全局变量
vi /etc/profile
在文件的最末端添加下面代码，注意格式
export JAVA_HOME=/usr/local/jdk
export SCALA_HOME=/usr/local/scala
export SPARK_HOME=/usr/local/spark
export PATH=.:${JAVA_HOME}/bin:${SCALA_HOME}/bin:${SPARK_HOME}/bin:$PATH最后一定要执行下面命令，作用就是即时生效
source /etc/profile
然后就可以查看版本号了
java -version scala -version
到此，spark的环境就部署好了，我这边代码依赖管理用的是maven，还需要配置下maven环境，
这里我直接用的yum安装了
yum install maven
等待安装完毕，在改一下maven的中央仓库镜像地址，否咋，spark需要的几个jar包会下载到你怕为止.
这里maven的地址可以通过mvn -version去查看
Maven home: /usr/share/maven Java version: 1.8.0_121, vendor: Oracle Corporation Java home: /usr/local/software/jdk1.8.0_121/jre Default locale: en_US, platform encoding: UTF-8 OS name: "linux", version: "3.10.0-123.el7.x86_64", arch: "amd64", family: "unix"
都给你列出来了233333
然后修改mirrors
vi /usr/share/maven/conf/settings.xml
找到节点<mirrors/>
添加阿里云的镜像地址
<mirror> <id>alimaven</id> <name>aliyun maven</name> <url>http://maven.aliyun.com/nexus/content/groups/public/</url> <mirrorOf>central</mirrorOf></mirror>
保存一下，ok
启动spark服务
在启动之前，还需要做些处理
在spark的conf中，修改下配置文件
cp spark-env.sh.template spark-env.sh vi spark-env.sh.template
再开头添加环境
export JAVA_HOME=/usr/local/jdkexport SCALA_HOME=/usr/local/scala
我也不知道这里为什么也要配置。。。
回到spark根目录
sbin/start-master.sh
在主机网页输入地址http://yourip:8080/ 访问,如果访问不到，说明虚拟机的防火墙打开了，这里要关掉
service firewalld stop
再次刷新页面，ok，如下
spark服务
这里还要继续启动worker
bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost.localdomain:7077
再刷新下页面，ok，如下
worker
编写Java代码
这里说一下，spark支持java、scala和python，无论用什么都只是对业务的封装，当然了原配是scala，我这里使用的java去实现一个计数程序，（目前网上有关spark的教程的第一个demo都是计数程序，我简称spark为“hello wordcount”）,我用maven来管理依赖关系，这个版本号一定要 注意！注意！注意！
本地的要和虚拟机里配置的要一毛一样！！！
代码很简单，怎么计数自己去实现
public class WorldCount { private static final Pattern SPACE = Pattern.compile(" "); public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("vector's first spark app");
JavaSparkContext sc = new JavaSparkContext(conf); //C:\Users\bd2\Downloads
JavaRDD<String> lines = sc.textFile("/opt/blsmy.txt").cache();;
JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() { public Iterable<String> call(String s) throws Exception { return Arrays.asList(SPACE.split(s));
} private static final long serialVersionUID = 1L;
});
JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; public Tuple2<String, Integer> call(String s) { return new Tuple2<String, Integer>(s, 1);
}
});
JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; public Integer call(Integer i1, Integer i2) { return i1 + i2;
}
});
List<Tuple2<String, Integer>> output = counts.collect(); for (Tuple2<?, ?> tuple : output) {
System.out.println(tuple._1() + ": " + tuple._2());
}
sc.close();
}
}注意这里没有.setMaster(),这个参数在虚拟机执行的时候通过手动配置
再来就是依赖配置文件pom，我已经亲测，可以直接拿过去用
<properties>
<scala.version>2.10.4</scala.version>
<spark.version>1.6.2</spark.version>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>com.googlecode.json-simple</groupId>
<artifactId>json-simple</artifactId>
<version>1.1.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.10</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-launcher_2.10</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-mllib_2.10</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.10</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.4</version>
<scope>test</scope>
</dependency>
<dependency>
<groupId>org.specs</groupId>
<artifactId>specs</artifactId>
<version>1.2.5</version>
<scope>test</scope>
</dependency>
<dependency>
<groupId>org.ansj</groupId>
<artifactId>ansj_seg</artifactId>
<version>5.1.1</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-assembly-plugin</artifactId>
<version>2.3</version>
<configuration>
<appendAssemblyId>false</appendAssemblyId>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
<archive>
<manifest>
<mainClass>WorldCount</mainClass><!--man方法入口-->
</manifest>
</archive>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>assembly</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>打jar包的时候，我建议将src和pom上传到虚拟机，在虚拟机里打包，因为打成jar包后大概有上百兆大小，我是在虚拟机打包的,如下
[root@localhost co]# lltotal 8 -rw-r--r--. 1 root root 3401 Apr 14 13:47 pom.xml -rw-r--r--. 1 root root 2610 Apr 14 16:35 sparkjar.zip drwxr-xr-x. 4 root root 28 Apr 14 09:00 src [root@localhost co]# mvn package
第一次打包的时候可能会用到十几分钟的时间，因为需要用到的包太多了。打包成功之后，记住对应jar包地址
提交任务给spark
我这里下载了英文版的《巴黎圣母院》作为解析文本，并放在了/opt/目录下
bin/spark-submit --master spark://localhost.localdomain:7077 --class WorldCount /usr/local/co/target/spark.jar-1.0-SNAPSHOT.jar
没有特殊情况的话，结果会输出在屏幕上，部分如下
Djali!: 2 faintly: 7 bellow: 1 prejudice: 1 singing: 15 Pierre.��: 1 incalculable: 1 defensive,: 1 slices: 1 niggardly: 1 Watch: 2 silence,: 14 water.��: 1 inhumanly: 1 17/04/14 16:59:35 INFO SparkUI: Stopped Spark web UI at http://192.168.22.129:4040
到此一个spark与java程序彻底打通了。。。
后续，我会使用spark对公司项目进行改造，将数据处理交给spark去做。我会一一记录分享出来
总结
环境部署的要正确，版本号要统一
spark启动的顺序
sbin/start-master.sh# 启动服务bin/spark-class org.apache.spark.deploy.worker.Worker spark://localhost.localdomain:7077# 启动workerbin/spark-submit --master spark://localhost.localdomain:7077 --class WorldCount /usr/local/code/target/spark.jar-1.0-SNAPSHOT.jar# 提交任务
作者：冬天只爱早晨
链接：https://www.jianshu.com/p/52d0f043cc04
随时随地看视频
