Java接入Apache Spark（入门环境搭建、常见问题）

2024-01-09 13:23:36

Java接入Apache Spark（环境搭建、常见问题）

背景介绍

Apache Spark 是一个快速的，通用的集群计算系统。它对 Java，Scala，Python 和 R 提供了的高层 API，并有一个经优化的支持通用执行图计算的引擎。它还支持一组丰富的高级工具，包括用于 SQL 和结构化数据处理的 Spark SQL，用于机器学习的 MLlib，用于图计算的 GraphX 和 Spark Streaming。
Spark 是 MapReduce 的替代方案，而且兼容 HDFS、Hive，可融入 Hadoop 的生态系统，以弥补 MapReduce 的不足。，Spark 基于内存的运算要快 100 倍以上，基于硬盘的运算也要快 10 倍以上。Spark 实现了高效的 DAG 执行引擎，可以通过基于内存来高效处理数据流

Apache Spark官网：https://spark.apache.org/
Apache Spark中文官网：https://spark.apachecn.org/

开发环境

  • win11 操作系统
  • IntelliJ IDEA 2023.2.5
  • jdk1.8 (corretto-1.8.0_392)

资源下载

Hadoop下载

在这里插入图片描述

在这里插入图片描述

winutils下载

安装环境

安装Hadoop【别安装在 Program Files这类带空格的文件夹下，因为环境变量找不着！！！】

  • 将下载好的hadoop-3.3.6.tar.gz包，放到想要安装的目录，我这里是放在D盘（D:\hadoop-3.3.6.tar.gz）

  • 解压hadoop-3.3.6.tar.gz文件【注意：需要在cmd中以管理员身份运行】
    在这里插入图片描述

  • 进入文件目录
    在这里插入图片描述
    等待执行结束

  • 配置HADOOP_HOME环境变量，进入 此电脑 -> 右键 -> 属性 -> 高级系统设置 -> 环境变量
    在这里插入图片描述选择新建，配置变量名 HADOOP_HOME ，变量值为 hadoop的解压路径
    然后在系统变量的path中加入以下两个变量，保存即可。
    在这里插入图片描述

%HADOOP_HOME%\bin
%HADOOP_HOME%\sbin

在这里插入图片描述在这里插入图片描述

tar zxvf hadoop-3.3.6.tar.gz

解压后路径

D:\hadoop-3.3.6
  • 配置 Hadoop 环境脚本
    在解压后的路径中（D:\Program Files\hadoop-3.3.6）找到D:\Program Files\hadoop-3.3.6\etc\hadoop\hadoop-env.cmd脚本，配置JDK的JAVA_HOME真实路径。
    在这里插入图片描述
## 替换前
set JAVA_HOME=%JAVA_HOME%
## 替换后
set JAVA_HOME=C:\Users\cessz\.jdks\corretto-1.8.0_392
安装winutils

  • 将winutils下载地址里 hadoop.dll 和 winutils.exe 文件拷贝到 C:\Windows\System32
    目录中

    重启电脑

  • 或者将winutils下载地址里的所有文件下载下来放入，hadoop的bin文件夹（D:\hadoop-3.3.6\bin）

    重启IDEA

检查是否安装成功

  • 检测环境变量是否配置成功
    bash hadoop -version

    在这里插入图片描述

  • 在IDEA中测试
    引入依赖

<dependency> <!-- Spark dependency -->
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.12</artifactId>
    <version>3.5.0</version>
    <scope>provided</scope>
</dependency>
<dependency> <!-- Spark dependency -->
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.12</artifactId>
    <version>3.5.0</version>
    <scope>provided</scope>
</dependency>

编写测试Application

import org.apache.spark.api.java.function.FilterFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.SparkSession;

public class SimpleApp {
    public static void main(String[] args) {
        String logFile = "D:\\IdeaProjects\\project\\README.md";
        SparkSession spark = SparkSession.builder().appName("Simple Application").master("local[*]").getOrCreate();
        Dataset<String> logData = spark.read().textFile(logFile).cache();

        long numAs = logData.filter((FilterFunction<String>) s -> s.contains("base")).count();
        long numBs = logData.filter((FilterFunction<String>) s -> s.contains("common")).count();

        System.out.println("Lines with base: " + numAs + ", lines with common: " + numBs);
        spark.stop();
    }
}

查看打印读取到的字符数量
在这里插入图片描述

常见问题

启动问题：IDEA：Error running，Command line is too long. Shorten command line启动行过长

解决方案：
打开Edit Configurations，配置保存完成，Apply之后启动即可。
编辑Applicantion Configuration
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

Spark执行任务时，找不到主节点 Exception in thread “main” org.apache.spark.SparkException: A master URL must be set in your configuration

在Spark中，主节点的地址配置位于spark.master属性中，默认值为local[]，表示使用本地模式运行。本文章是本地搭建使用的，所以加上 .master("local[]") 即可。
在这里插入图片描述

参考博客

文章来源:https://blog.csdn.net/qq_43170312/article/details/135459498
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。