大数据分析与内存计算——Spark安装以及Hadoop操作——注意事项

一、Spark安装

1.相关链接

https://dblab.xmu.edu.cn/blog/4322/

2.安装Spark（Local模式）

按照文章中的步骤安装即可

遇到问题：xshell以及xftp不能使用

解决办法：

在linux使用镜像网站进行下载：wget https://mirrors.tuna.tsinghua.edu.cn/apache/spark/spark-3.5.1/spark-3.5.1-bin-without-hadoop.tgz

二、编程实践

1.使用sbt对Scala独立应用程序进行编译打包

同样在Linux中使用wget下载sbt安装文件sbt-1.9.0.tgz：

wget https://github.com/sbt/sbt/releases/download/v1.9.0/sbt-1.9.0.tgz

注意：由于sbt没有国内镜像，下载较慢（大概两个小时）

2.其他按照上面教程中安装即可

3.实验报告要求：

读取HDFS系统文件"/user/hadoop/test.txt"（如果该文件不存在，请先创建）

（1）方法 1：使用 hadoop fs -put 命令上传本地文件

1）.首先，你需要有一个本地文件，假设你有一个名为 local_test.txt 的本地文件，其中包含你想要写入 HDFS 的内容。

2）.使用以下命令将本地文件上传到 HDFS：

如果你是集群，需要打开所有几点，再启动hadoop,否则报错（处于安全模式）

hadoop fs -put /path/to/local_test.txt /user/data/test.txt

将 /path/to/local_test.txt 替换为你的本地文件的实际路径。

（2）方法 2：直接在 HDFS 上创建文件并写入内容

1）.使用 hadoop fs -cat 命令直接在 HDFS 上创建文件并写入内容：

hadoop fs -cat > /user/data/test.txt

这将创建一个名为 test.txt 的空文件。

2）.现在你可以写入内容到这个文件中。输入你想要写入的内容，然后按 Ctrl+D 结束输入。

This is the content of the test.txt file.

3）.按 Ctrl+D 结束输入后，test.txt 文件将包含你刚刚输入的内容。

请注意，这些命令需要在 Hadoop 集群的节点上运行，或者你需要通过 SSH 登录到集群中的一个节点。如果你的 Hadoop 集群配置了 Web 界面（如 Hue 或 Ambari），你也可以通过 Web 界面来上传文件和查看文件内容。

4.通过如下代码将整个应用程序打包成 JAR（首次运行同样需要下载依赖包 ）：

/usr/local/sbt/sbt package

注意：这一步要保证你的Linux系统中所有文件夹名称为英文

5.建立一个名为 SimpleApp.scala 的文件

相关代码：

/* SimpleApp.scala */
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.hadoop.conf.Configuration

object SimpleApp {
  def main(args: Array[String]): Unit = {
    val conf = new Configuration()
    val fs = FileSystem.get(conf)
    val path = new Path("/user/data/test.txt")
    val isExists = fs.exists(path)

    if (!isExists) {

      val outputStream = fs.create(path)
      outputStream.close()
    }

    val inputStream = fs.open(path)
    val lineCount = scala.io.Source.fromInputStream(inputStream).getLines().size
    println(s"File line count: $lineCount")
    inputStream.close()
  }
}

注意：上述代码中的val path = new Path("/user/data/test.txt")，要替换为你的test.txt的路径

6.在simple.sbt中添加如下内容，声明该独立应用程序的信息以及与 Spark 的依赖关系：

name := "Simple Project"
version := "1.0"
scalaVersion := "2.12.18"
libraryDependencies += "org.apache.hadoop" % "hadoop-client" % "2.10.1

注意：你的scala和hadoop版本要与代码中的相同

7.通过 spark-submit 运行程序

教程给的指令缺少文件编码格式，需要指定编码格式，以下为修改后的指令

/usr/local/spark-3.5.1/bin/spark-submit --class "SimpleApp" --driver-java-options "-Dfile.encoding=UTF-8" ~/sparkapp/target/scala-2.12/simple-project_2.12-1.0.jar

/usr/local/spark-3.5.1/bin/spark-submit --class "SimpleApp" --driver-java-options "-Dfile.encoding=UTF-8" ~/sparkapp/target/scala-2.12/simple-project_2.12-1.0.jar 2>&1 | grep "Lines with a:"

注意：需要更改你的spark安装路径