Spark的Java开发环境构建

　　为开发和调试SPark应用程序设置的完整的开发环境。这里，我们将使用Java，其实SPark还支持使用Scala, Python和R。我们将使用IntelliJ作为IDE，因为我们对于eclipse再熟悉不过了，这里就使用IntelliJ进行练练手，所以我们也将使用Maven作为构建的管理器。在本篇结束时，您将了解如何设置IntelliJ，如何使用Maven管理依赖项，如何将SPark应用程序打包并部署到集群中，以及如何将活动程序连接到调试器。

一、创建一个新的IntelliJ项目

　　（注意：指令可能因操作系统而异。在本教程中，我们将使用IntelliJ版本：2018.2.1上的MAC OSX High Sierra. ）

　　通过选择File > New > Project:         ，再选择 Maven > 单击Next

将项目命名如下：

• GroupId：Hortonworks
• ArtifactId：SparkTutorial
• 版本：1.0-SNAPSHOT

　　然后单击下一个继续。

　　最后，选择项目名称和位置。这些字段应该是自动填充的，所以让我们保持默认值即可：

　　IntelliJ应该创建一个具有默认目录结构的新项目。生成所有文件夹可能需要一两分钟。

　　让我们分解一下项目结构。

• .IDEA：这些是IntelliJ配置文件。
• SRC：源代码。大部分代码应该进入主目录。应该为测试脚本保留测试文件夹。
• 目标：当您编译您的项目时，它将位于这里。
• xml：Maven配置文件。我们将向您展示如何使用该文件导入第三方库和文档。

　　在继续之前，让我们验证几个IntelliJ设置：

　　　　1.核实import Maven projects automatically是ON.

• • 　　Preferences > Build, Execution, Deployment > Build Tools > Maven > Importing

　　　　2.核实Project SDK和Project language level设置为Java版本：

• • 　　File > Project Structure > Project

 

　　　　3.核实Language level 设置为Java版本：

• • 　　File > Project Structure > Module
• 

二、Maven配置

　　在开始编写SPark应用程序之前，我们需要将SPark库和文档导入IntelliJ。为此，我们将使用Maven。这是必要的，如果我们想要IntelliJ识别Spark代码。要导入SPark库，我们将使用依赖关系管理器Maven。将以下行添加到文件put.xml中：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>hortonworks</groupId>
    <artifactId>SparkTutorial</artifactId>
    <version>1.0-SNAPSHOT</version>

    <build>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
        </plugins>
    </build>

    <dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.2.1</version>
        </dependency>
    </dependencies>

</project>

　　保存文件后，IntelliJ将自动导入运行SPark所需的库和文档。

三、创建SPark应用程序

　　本地部署

　　对于我们的第一个应用程序，我们将构建一个简单的程序，进行单词计数。Download the file,将文件保存为shakespeare.txt.

　　稍后，我们希望SPark从HDFS(HadoopDistributedFileSystem)检索这个文件，所以现在让我们把它放在那里。要上传到HDFS，首先要确保我们的Ambari 沙箱已经启动并运行。

• 导航到sandbox-hdp.hortonworks.com：8080
• 使用用户名/密码登录
• 一旦您登录到Ambari Manager，鼠标在右上角的下拉菜单上并单击文件视图.
• 打开TMP文件夹并单击上传按钮在右上角上传文件。确保它的名字shakespeare.txt.

　　现在我们已经准备好创建应用程序了。在IDE中打开文件夹src/main/resources,这应该是自动为您生成的。

　　接下来，选择文件夹SRC/Main/java:

• 右键单击文件夹并选择New > Java Class
• 新建类文件：Main.java

　　将其复制到您的新文件中：

public class Main {

    public static void main(String[] args) {
        System.out.println("Hello World");
    }
}

　　现在转到IDE顶部的“Run”下拉菜单，然后选择Run。然后选择Main。如果所有设置都正确，IDE应该打印“HelloWorld”。现在我们已经知道环境已正确设置，请用以下代码替换该文件：

package Hortonworks.SparkTutorial;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.SparkConf;
import scala.Tuple2;

import java.util.Arrays;

public class Main {

    public static void main(String[] args){

        //Create a SparkContext to initialize
        SparkConf conf = new SparkConf().setMaster("local").setAppName("Word Count");

        // Create a Java version of the Spark Context
        JavaSparkContext sc = new JavaSparkContext(conf);

        // Load the text into a Spark RDD, which is a distributed representation of each line of text
        JavaRDD<String> textFile = sc.textFile("src/main/resources/shakespeare.txt");
        JavaPairRDD<String, Integer> counts = textFile
                .flatMap(s -> Arrays.asList(s.split("[ ,]")).iterator())
                .mapToPair(word -> new Tuple2<>(word, 1))
                .reduceByKey((a, b) -> a + b);
        counts.foreach(p -> System.out.println(p));
        System.out.println("Total words: " + counts.count());
        counts.saveAsTextFile("/tmp/shakespeareWordCount");
    }

}

　　

　　如前所述，单击Run>Run以运行文件。这应该运行Spark进行作业，并打印在莎士比亚shakespeare.txt中出现的每个单词的频率。

　　由您的程序创建的文件可以在上面代码中指定的目录中找到，在我们的例子中，我们使用/tmp/shakspeareWordCount.

注意，我们已经设置了这一行：

setMaster("local")

　　这告诉SPark使用此计算机在本地运行，而不是在分布式模式下运行。要在多台机器上运行Spark，我们需要将此值更改为 YARN。我们稍后再看看怎么做。

　　现在我们已经了解了如何在IDE中直接部署应用程序。这是一种快速构建和测试应用程序的好方法，但这有点不切实际，因为SPark只在一台机器上运行。在生产中，SPark通常会处理存储在分布式文件系统(如HDFS)上的数据(如果运行在云中，则可能是S3或Azure博客存储)。SPark也通常在集群模式下运行(即，分布在许多机器上)。

　　那么，首先，我们将学习如何在Hortonworks沙箱(这是一个单节点Hadoop环境)上部署SPark，然后我们将学习如何在云中部署SPark。

 　　部署到Sandbox

　　虽然我们仍然在一台机器上运行SPark，但是我们将使用HDFS和SEAR(集群资源管理器)。这将比我们之前所做的更接近于运行一个完整的分布式集群。我们要做的第一件事是更改这一行：

JavaRDD<String> textFile = sc.textFile("src/main/resources/shakespeare.txt");

　　更改为：

JavaRDD<String> textFile = sc.textFile("hdfs:///tmp/shakespeare.txt");

将：

counts.saveAsTextFile("/tmp/shakespeareWordCount");

　　更改为：

counts.saveAsTextFile("hdfs:///tmp/shakespeareWordCount");

　　　　这告诉 Spark 要读取和写入HDFS，而不是本地。确保保存文件。

　　接下来，我们将把这些代码打包到一个编译好的JAR文件中，这个JAR文件可以部署在 sandbox沙箱上。了简化我们的生活，我们将创建一个程序集JAR：一个包含我们的代码和我们的代码所依赖的所有JAR的JAR文件。通过将我们的代码打包成一个程序集，我们保证在代码运行时，所有依赖的JAR(在pu.xml中定义的)都会出现。

　　打开终端和CD到包含 pom.xml. 运行mvn package. 这将在文件夹中创建一个名为“SparkTutver-1.0-SNAPSHOT.jar”的编译JAR。

　　　　　　（注：如果MVN命令不起作用-请确保已成功安装maven。）

将程序集复制到沙箱：

scp -P 2222 ./target/SparkTutorial-1.0-SNAPSHOT.jar root@sandbox-hdp.hortonworks.com:/root

打开第二个终端窗口，将ssh放入沙箱：

ssh -p 2222 root@sandbox-hdp.hortonworks.com

使用spark-submit 运行我们的代码。我们需要指定主类、要运行的JAR和运行模式(本地或集群)：

spark-submit --class "Hortonworks.SparkTutorial.Main" --master local ./SparkTutorial-1.0-SNAPSHOT.jar

您的控制台应该可以看到出现的每个单词的频率，如下所示：

...
(comutual,1)
(ban-dogs,1)
(rut-time,1)
(ORLANDO],4)
(Deceitful,1)
(commits,3)
(GENTLEWOMAN,4)
(honors,10)
(returnest,1)
(topp'd?,1)
(compass?,1)
(toothache?,1)
(miserably,1)
(hen?,1)
(luck?,2)
(call'd,162)
(lecherous,2)
...

　　此外，如果在Ambari中打开“文件视图”，您应该会看到/tmp/shakspeareWordCount下的结果。这表明结果也存储在HDFS中。

四、部署到云端

　　在设置集群之后，部署代码的过程类似于部署到沙箱。我们需要对集群的JAR进行SCP：

scp -P 2222 -i "key.pem" ./target/SparkTutorial-1.0-SNAPSHOT.jar root@[ip address of a master node]:root

　　然后打开第二个终端窗口并将ssh插入主节点：

ssh -p 2222 -i "key.pem" root@[ip address of a master node]

　　然后使用 spark-submit运行我们的代码：

spark-submit --class "Hortonworks.SparkTutorial.Main"  --master yarn --deploy-mode client ./SparkTutorial-1.0-SNAPSHOT.jar

　　注意，我们指定了参数--master yarn ，而不是--master local. 这意味着我们希望SPark在分布式模式下运行，而不是在一台机器上运行，并且我们希望依赖SEARY(集群资源管理器)来获取可用的机器来运行作业。如果您不熟悉YARN，那么如果您想要在同一个集群上同时运行多个作业，则这一点尤为重要。如果配置正确，YARN队列将提供不同的用户或处理允许使用的群集资源配额。它还提供了允许作业在资源可用时充分利用集群的机制，以及在其他用户或作业开始提交作业时缩小现有作业的范围。

　　参数--deploy-mode client  ，指示要将当前计算机用作Spark的驱动程序机器。驱动程序机器是一台启动Spark作业的机器，也是工作完成后收集汇总结果的地方。或者，我们可以指定 --deploy-mode cluster ，这将允许YARN选择驱动机。

　　重要的是要注意的是，一个写得不好的SPark程序可能会意外地试图将许多兆字节的数据带回到驱动程序机器中，从而导致其崩溃。因此，不应该使用集群的主节点作为驱动程序机器。许多组织从所谓的边缘节点提交火花作业，这是一个单独的机器，不用于存储数据或执行计算。由于边缘节点与集群是分开的，所以它可以在不影响集群其余部分的情况下降。边缘节点还用于从集群中检索的聚合数据的数据科学工作。

　　例如，数据科学家可能从边缘节点提交一份SPark作业，将10 TB数据集转换为1GB聚合数据集，然后使用R和Python等工具对边缘节点进行分析。如果计划设置边缘节点，请确保机器没有安装DataNode或HostManager组件，因为它们是集群的数据存储和计算组件。

五、现场调试

　　将正在运行的SPark程序连接到调试器，这将允许我们设置断点并逐行遍历代码。在直接从IDE运行时，调试SPark就像其他程序一样，但是调试远程集群需要一些配置。

　　在计划提交Spark作业的机器上，从终端运行这一行：

export SPARK_JAVA_OPTS=-agentlib:jdwp=transport=dt_socket,server=y,suspend=n,address=8086

　　这将使您可以在端口8086上附加调试器。您需要确保端口8086能够接收入站连接。然后在IntelliJ中 Run > Edit Configurations:

　　然后单击左上角的+按钮并添加一个新的远程配置。用主机IP地址填充主机，以及使用端口8086.

　　

　　如果在提交SPark作业后立即从IDE运行此调试配置，则调试器将附加，SPark将在断点处停止。

　　注意：要重新提交单词计数代码，我们必须首先删除前面创建的目录。使用命令：

hdfs dfs -rm -r /tmp/shakespeareWordCount

　　在沙箱外壳上删除旧目录。再次在沙箱外壳上提交火花作业，并在执行spark-submit命令。请记住，为了运行您的代码，我们使用了以下命令：

spark-submit --class "Hortonworks.SparkTutorial.Main" --master yarn --deploy-mode client ./SparkTutorial-1.0-SNAPSHOT.jar