本地环境下运行Spark程序

1. 前言

终于又有实际的大数据计算业务功能开发了，是对一个以前用SpringBoot来处理Elasticsearch集群上的日志数据的计算程序，这个程序的最大问题就是单进程内存会达到几十G，直到最后运行在中途出现OutOfMemoryError而崩溃掉，毕竟用SpringBoot来实现分布式计算是有难度的，而且Spark框架已经帮我们实现了一切，非常稳定高效，何必自己再去造轮子呢。

2. 环境配置

2.1 解决找不到winutils.exe

在本地eclipse环境里运行Spark程序，需要Hadoop windows环境，不然会报错：

java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.

这是因为我们确实没有本地的winutils.exe，那么就配置一个，直接访问GitHub - steveloughran/winutils: Windows binaries for Hadoop versions (built from the git commit ID used for the ASF relase) 按github常规copy它的url，在命令行窗口执行：

git clone https://github.com/steveloughran/winutils.git

成功则得到一个winutils目录，cd ./winutils/, 里面有很多hadoop版本目录，由于我采用hadoop-2.10.0，而这里2.x最大版本是hadoop-2.8.3，故选择它，我的最终目录是：

D:\app\hadoop\winutils\hadoop-2.8.3

在代码入口main()方法下加一行：

java 复制代码

	public static void main(String[] args) {
    	logger.info("spark execute begin...........");
    	System.setProperty("hadoop.home.dir", "D:\\app\\hadoop\\winutils\\hadoop-2.8.3");

2.2 解决master URL设置问题

上面问题处理好之后，我们再次执行，还是会报错：

复制代码

A master URL must be set in your configuration

我们在入口main()所在类文件上单击右键：

Run As --> Run Configurations --> Arguments --> VM arguments下输入：

-Dspark.master=local $\*$

点"Apply"保存，然后点"Run"执行，终于程序跑起来，从Elasticsearch读取日志数据，最后把计算结果再次写入Elasticsearch里另外一个索引。

3. 后记

Spark程序还是比较好调测的，在面对亿级以上的数据分析时，不建议用SpringBoot框架来写schduler模式的后台处理程序解决问题，那不是SpringBoot擅长的，建议用Spark框架来批处理这种数据分析问题，你会发现代码行少得多，分布式多进程多线程问题不用我们去手工解决。