Spark 单机模式安装与测试全攻略

Spark 单机模式安装步骤

Spark 安装

1. 上传安装包 ：将下载好的 Spark 安装包（如 spark-3.3.0-bin-hadoop3.tgz）通过 FTP 工具或 scp 命令上传至 Linux 服务器的指定目录，例如/opt/software。

2. 解压安装包 ：使用tar -zxvf spark-3.3.0-bin-hadoop3.tgz -C /opt/installs/命令将安装包解压到/opt/installs目录。

3. 重命名 ：为了方便后续操作，将解压后的文件夹重命名，执行mv /opt/installs/spark-3.3.0-bin-hadoop3 /opt/installs/spark。

4. 创建软链接 ：通过ln -s /opt/installs/spark /opt/spark创建软链接，简化路径访问。

5. 配置环境变量 ：编辑/etc/profile文件，添加如下内容：

   export SPARK_HOME=/opt/spark
   export PATH=$PATH:$SPARK_HOME/bin

   保存后执行source /etc/profile刷新环境变量。

Anaconda 安装（Python 环境）

Anaconda 不仅包含 Python，还具备资源环境隔离功能，方便不同版本环境的测试开发，是 Spark 的理想 Python 环境。

1. 下载与上传 ：从Anaconda 官网 archive 页面下载合适版本（如 Anaconda3-2022.10-Linux-x86_64.sh），上传至服务器/opt/software目录。

2. 安装 Anaconda ：执行bash /opt/software/Anaconda3-2022.10-Linux-x86_64.sh，按照提示完成安装，建议安装在/opt/installs/anaconda3目录。

3. 环境变量配置 ：编辑/etc/profile，添加：

   export ANACONDA_HOME=/opt/installs/anaconda3
   export PATH=$PATH:$ANACONDA_HOME/bin

   执行source /etc/profile刷新，再通过ln -s /opt/installs/anaconda3/bin/python3 /usr/bin/python3创建软链接，确保python3命令可用。

4. 环境管理命令：

   • 进入环境：conda activate 环境名
   • 退出环境：conda deactivate

Spark 测试使用

Spark Python Shell 是交互式学习工具，通过pyspark命令启动，可实时编写代码并查看结果。

案例一：map 算子实现分布式转换

需求：将 1~10 的列表中每个元素平方后输出。

在 Spark Python Shell 中执行：

# 创建包含1~10的RDD
rdd = sc.parallelize(range(1, 11))
# 使用map算子计算平方
square_rdd = rdd.map(lambda x: x * x)
# 输出结果
square_rdd.collect()

执行后将得到[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]，展示了 Spark 分布式处理元素的能力。

案例二：WordCount 词频统计

以/home/data.txt为数据源，统计每个单词出现的次数，步骤如下：

1. 读取数据：

   fileRdd = sc.textFile("/home/data.txt")
   print("总行数：", fileRdd.count())
   print("前3行：", fileRdd.take(3))

2. 过滤空行：

   filterRdd = fileRdd.filter(lambda line: len(line.strip()) > 0)
   print("过滤后行数：", filterRdd.count())

3. 拆分单词：

   wordRdd = filterRdd.flatMap(lambda line: line.strip().split(" "))
   print("单词总数：", wordRdd.count())

4. 生成键值对：

   tupleRdd = wordRdd.map(lambda word: (word, 1))

5. 聚合统计：

   rsRdd = tupleRdd.reduceByKey(lambda tmp, item: tmp + item)

6. 结果输出与保存：

   # 打印结果
   rsRdd.foreach(lambda kv: print(kv))
   # 保存到本地
   rsRdd.saveAsTextFile("/home/wcoutput")

案例三：计算 PI 值

通过 Spark 提交脚本计算圆周率，执行：

/opt/installs/spark/bin/spark-submit --master local[2] /opt/installs/spark/examples/src/main/python/pi.py 100

其中--master local[2]指定使用 2 个核心，100是采样次数，结果会接近 3.14。