Apache Spark学习：利用Eclipse构建Spark集成开发环境
（1）?準備工作
在正式介紹之前，先要以下軟硬件準備：
軟件準備：
Eclipse Juno版本（4.2版本），可以直接點擊這里下載：Eclipse 4.2
Scala 2.9.3版本，Window安裝程序可以直接點擊這里下載：Scala 2.9.3
Eclipse Scala IDE插件，可直接點擊這里下載：Scala IDE(for Scala 2.9.x and Eclipse Juno)
硬件準備
裝有Linux或者Windows操作系統(tǒng)的機器一臺
（2）?構建Spark集成開發(fā)環(huán)境
我是在windows操作系統(tǒng)下操作的，流程如下：
步驟1：安裝scala 2.9.3：直接點擊安裝即可。
步驟2：將Eclipse Scala IDE插件中features和plugins兩個目錄下的所有文件拷貝到Eclipse解壓后對應的目錄中
步驟3：重新啟動Eclipse，點擊eclipse右上角方框按鈕，如下圖所示，展開后，點擊“Other….”，查看是否有“Scala”一項，有的話，直接點擊打開，否則進行步驟4操作。
步驟4：在Eclipse中，依次選擇“Help” –> “Install New Software…”，在打開的卡里填入http://download.scala-ide.org/sdk/e38/scala29/stable/site，并按回車鍵，可看到以下內容，選擇前兩項進行安裝即可。（由于步驟3已經(jīng)將jar包拷貝到eclipse中，安裝很快，只是疏通一下）安裝完后，重復操作一遍步驟3便可。
（3）?使用Scala語言開發(fā)Spark程序
在eclipse中，依次選擇“File”?–>“New”?–> “Other…”?–>? “Scala Wizard” –>?“Scala Project”，創(chuàng)建一個Scala工程，并命名為“SparkScala”。
右擊“SaprkScala”工程，選擇“Properties”，在彈出的框中，按照下圖所示，依次選擇“Java Build Path” –>“Libraties” –>“Add External JARs…”，導入文章“Apache Spark學習：將Spark部署到Hadoop 2.2.0上”中給出的
assembly/target/scala-2.9.3/目錄下的spark-assembly-0.8.1-incubating-hadoop2.2.0.jar，這個jar包也可以自己編譯spark生成，放在spark目錄下的assembly/target/scala-2.9.3/目錄中。
跟創(chuàng)建Scala工程類似，在工程中增加一個Scala Class，命名為：WordCount，整個工程結構如下：
WordCount就是最經(jīng)典的詞頻統(tǒng)計程序，它將統(tǒng)計輸入目錄中所有單詞出現(xiàn)的總次數(shù)，Scala代碼如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | import org.apache.spark._ import SparkContext._ object WordCount { ??def main(args: Array[String]) { ????if (args.length != 3 ){ ??????println("usage is org.test.WordCount <master> <input> <output>") ??????return ????} ????val sc = new SparkContext(args(0), "WordCount", ????System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR"))) ????val textFile = sc.textFile(args(1)) ????val result = textFile.flatMap(line => line.split("\\s+")) ????????.map(word => (word, 1)).reduceByKey(_ + _) ????result.saveAsTextFile(args(2)) ??} } |
在Scala工程中，右擊“WordCount.scala”，選擇“Export”，并在彈出框中選擇“Java” –> “JAR File”，進而將該程序編譯成jar包，可以起名為“spark-wordcount-in-scala.jar”，我導出的jar包下載地址是?spark-wordcount-in-scala.jar。
該WordCount程序接收三個參數(shù)，分別是master位置，HDFS輸入目錄和HDFS輸出目錄，為此，可編寫run_spark_wordcount.sh腳本：
# 配置成YARN配置文件存放目錄
export YARN_CONF_DIR=/opt/hadoop/yarn-client/etc/hadoop/
SPARK_JAR=./assembly/target/scala-2.9.3/spark-assembly-0.8.1-incubating-hadoop2.2.0.jar \
./spark-class org.apache.spark.deploy.yarn.Client \
–jar spark-wordcount-in-scala.jar \
–class WordCount \
–args yarn-standalone \
–args hdfs://hadoop-test/tmp/input \
–args hdfs:/hadoop-test/tmp/output \
–num-workers 1 \
–master-memory 2g \
–worker-memory 2g \
–worker-cores 2
需要注意以下幾點：WordCount程序的輸入?yún)?shù)通過“-args”指定，每個參數(shù)依次單獨指定，第二個參數(shù)是HDFS上的輸入目錄，需要事先創(chuàng)建好，并上傳幾個文本文件，以便統(tǒng)計詞頻，第三個參數(shù)是HDFS上的輸出目錄，動態(tài)創(chuàng)建，運行前不能存在。
直接運行run_spark_wordcount.sh腳本即可得到運算結果。
在運行過程中，發(fā)現(xiàn)一個bug，org.apache.spark.deploy.yarn.Client有一個參數(shù)“–name”可以指定應用程序名稱：
但是使用過程中，該參數(shù)會阻塞應用程序，查看源代碼發(fā)現(xiàn)原來是個bug，該Bug已提交到Spark jira上：
| 1 2 3 4 5 6 7 8 9 10 11 12 | // 位置：new-yarn/src/main/scala/org/apache/spark/deploy/yarn/ClientArguments.scala ????????case ("--queue") :: value :: tail => ??????????amQueue = value ??????????args = tail ????????case ("--name") :: value :: tail => ??????????appName = value ??????????args = tail //漏了這行代碼，導致程序阻塞 ????????case ("--addJars") :: value :: tail => ??????????addJars = value ??????????args = tail |
因此，大家先不要使用“–name”這個參數(shù)，或者修復這個bug，重新編譯Spark。
（4）?使用Java語言開發(fā)Spark程序
方法跟普通的Java程序開發(fā)一樣，只要將Spark開發(fā)程序包spark-assembly-0.8.1-incubating-hadoop2.2.0.jar作為三方依賴庫即可。
（5）?總結
初步試用Spark On YARN過程中，發(fā)現(xiàn)問題還是非常多，使用起來非常不方便，門檻還是很高，遠不如Spark On Mesos成熟。
總結
以上是生活随笔為你收集整理的Apache Spark学习：利用Eclipse构建Spark集成开发环境的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： ACM常用数据结构
- 下一篇： JUnit4用法详解