Question

我为Spark编写了一个Java程序。但是如何从Unix命令行运行和编译它。在编译运行时我是否必须包含任何jar

Answer 1

结合官方Quick Start Guide和Launching Spark on YARN的步骤，我们得到：

我们将创建一个非常简单的Spark应用程序SimpleApp.java：

/*** SimpleApp.java ***/
import org.apache.spark.api.java.*;
import org.apache.spark.api.java.function.Function;

public class SimpleApp {
  public static void main(String[] args) {
    String logFile = "$YOUR_SPARK_HOME/README.md"; // Should be some file on your system
    JavaSparkContext sc = new JavaSparkContext("local", "Simple App",
      "$YOUR_SPARK_HOME", new String[]{"target/simple-project-1.0.jar"});
    JavaRDD<String> logData = sc.textFile(logFile).cache();

    long numAs = logData.filter(new Function<String, Boolean>() {
      public Boolean call(String s) { return s.contains("a"); }
    }).count();

    long numBs = logData.filter(new Function<String, Boolean>() {
      public Boolean call(String s) { return s.contains("b"); }
    }).count();

    System.out.println("Lines with a: " + numAs + ", lines with b: " + numBs);
  }
}

此程序只计算包含'a'的行数和包含'b'的数字在文本文件中。请注意，您需要将$ YOUR_SPARK_HOME替换为安装Spark的位置。与Scala示例一样，我们初始化 SparkContext ，尽管我们使用特殊的JavaSparkContext类来获得Java友好的类。我们还创建了RDD（由JavaRDD表示）并对它们进行转换。最后，我们通过创建扩展spark.api.java.function.Function的类将函数传递给Spark。 Java编程指南更详细地描述了这些差异。

为了构建程序，我们还编写了一个Maven pom.xml文件，该文件将Spark列为依赖项。请注意，Spark工件标记有Scala版本。

<project>
  <groupId>edu.berkeley</groupId>
  <artifactId>simple-project</artifactId>
  <modelVersion>4.0.0</modelVersion>
  <name>Simple Project</name>
  <packaging>jar</packaging>
  <version>1.0</version>
  <repositories>
    <repository>
      <id>Akka repository</id>
      <url>http://repo.akka.io/releases</url>
    </repository>
  </repositories>
  <dependencies>
    <dependency> <!-- Spark dependency -->
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_2.10</artifactId>
      <version>0.9.0-incubating</version>
    </dependency>
  </dependencies>
</project>

如果您还希望从Hadoop的HDFS读取数据，您还需要为您的HDFS版本添加对hadoop-client的依赖：

<dependency>
  <groupId>org.apache.hadoop</groupId>
  <artifactId>hadoop-client</artifactId>
  <version>...</version>
</dependency>

我们根据规范的Maven目录结构布置这些文件：

$ find .
./pom.xml
./src
./src/main
./src/main/java
./src/main/java/SimpleApp.java

现在，我们可以使用Maven执行应用程序：

$ mvn package
$ mvn exec:java -Dexec.mainClass="SimpleApp"
...
Lines with a: 46, Lines with b: 23

然后按照Launching Spark on YARN：

中的步骤操作

构建支持YARN的程序集JAR

我们需要一个整合的Spark JAR（它捆绑了所有必需的依赖项）来在YARN集群上运行Spark作业。这可以通过设置Hadoop版本和SPARK_YARN环境变量来构建，如下所示：

SPARK_HADOOP_VERSION=2.0.5-alpha SPARK_YARN=true sbt/sbt assembly

组装好的JAR将是这样的：./assembly / target / skla-10.10 / spark-assembly_0.9.0-incubating-hadoop2.0.5.jar。

构建过程现在还支持新的YARN版本（2.2.x）。见下文。

<强>制剂

构建启用YARN的程序集（参见上文）。
组装后的罐子可以安装到HDFS中或在本地使用。
您的应用程序代码必须打包到单独的JAR文件中。

如果要测试YARN部署模式，可以使用当前的Spark示例。可以通过运行：

生成spark-examples_2.10-0.9.0-incubating文件

sbt/sbt assembly

注意：，因为您正在阅读的文档是针对Spark版本0.9.0孵化的，我们在此假设您已经下载了Spark 0.9.0-incubating或检查了源代码控制。如果您使用的是不同版本的Spark，则sbt package命令生成的jar中的版本号显然会有所不同。

<强>配置

对于Spark on YARN，大多数配置与其他部署相同。有关这些信息，请参阅“配置”页面。这些是特定于SPAR在YARN上的配置。

环境变量：

SPARK_YARN_USER_ENV ，将环境变量添加到YARN上启动的Spark进程。这可以是逗号分隔的环境变量列表，例如

SPARK_YARN_USER_ENV="JAVA_HOME=/jdk64,FOO=bar"

系统属性：

spark.yarn.applicationMaster.waitTries ，该属性用于设置ApplicationMaster等待spark主服务器的次数，然后还有等待Spark上下文初始化的尝试次数。默认值为10.
spark.yarn.submit.file.replication ，为应用程序上传到HDFS的文件的HDFS复制级别。这些包括火花罐，app jar和任何分布式缓存文件/档案。
spark.yarn.preserve.staging.files ，设置为true以在作业结束时保留暂存文件（spark jar，app jar，分布式缓存文件），而不是删除它们。
spark.yarn.scheduler.heartbeat.interval-ms ，即Spark应用程序主节点进入YARN ResourceManager的心跳间隔。默认值为5秒。
spark.yarn.max.worker.failures ，即应用程序失败前的最大工作失败次数。默认值是请求的工作人员数量2，最少3人。

在YARN上启动Spark

确保 HADOOP_CONF_DIR 或 YARN_CONF_DIR 指向包含hadoop群集的（客户端）配置文件的目录。这将用于连接到群集，写入dfs并将作业提交给资源管理器。

有两种调度程序模式可用于在YARN上启动spark应用程序。

YARN客户端使用纱线独立模式启动火花应用程序。

启动YARN客户端的命令如下：

SPARK_JAR=<SPARK_ASSEMBLY_JAR_FILE> ./bin/spark-class org.apache.spark.deploy.yarn.Client \
  --jar <YOUR_APP_JAR_FILE> \
  --class <APP_MAIN_CLASS> \
  --args <APP_MAIN_ARGUMENTS> \
  --num-workers <NUMBER_OF_WORKER_MACHINES> \
  --master-class <ApplicationMaster_CLASS>
  --master-memory <MEMORY_FOR_MASTER> \
  --worker-memory <MEMORY_PER_WORKER> \
  --worker-cores <CORES_PER_WORKER> \
  --name <application_name> \
  --queue <queue_name> \
  --addJars <any_local_files_used_in_SparkContext.addJar> \
  --files <files_for_distributed_cache> \
  --archives <archives_for_distributed_cache>

例如：

# Build the Spark assembly JAR and the Spark examples JAR
$ SPARK_HADOOP_VERSION=2.0.5-alpha SPARK_YARN=true sbt/sbt assembly

# Configure logging
$ cp conf/log4j.properties.template conf/log4j.properties

# Submit Spark's ApplicationMaster to YARN's ResourceManager, and instruct Spark to run the SparkPi example
$ SPARK_JAR=./assembly/target/scala-2.10/spark-assembly-0.9.0-incubating-hadoop2.0.5-alpha.jar \
    ./bin/spark-class org.apache.spark.deploy.yarn.Client \
      --jar examples/target/scala-2.10/spark-examples-assembly-0.9.0-incubating.jar \
      --class org.apache.spark.examples.SparkPi \
      --args yarn-standalone \
      --num-workers 3 \
      --master-memory 4g \
      --worker-memory 2g \
      --worker-cores 1

# Examine the output (replace $YARN_APP_ID in the following with the "application identifier" output by the previous command)
# (Note: YARN_APP_LOGS_DIR is usually /tmp/logs or $HADOOP_HOME/logs/userlogs depending on the Hadoop version.)
$ cat $YARN_APP_LOGS_DIR/$YARN_APP_ID/container*_000001/stdout
Pi is roughly 3.13794

以上启动YARN客户端程序，启动默认的Application Master。然后，SparkPi将作为Application Master的子线程运行，YARN Client将定期轮询Application Master以获取状态更新并在控制台中显示它们。一旦您的应用程序运行完毕，客户端将退出。

使用此模式，您的应用程序实际上在运行Application Master的远程计算机上运行。因此，涉及本地交互的应用程序将无法正常工作，例如火花 - 壳

Answer 2

我几天前有同样的问题，昨天设法解决了。
这就是我所做的：

下载sbt并解压缩并解压缩:http://www.scala-sbt.org/download.html
我已经为Hadoop 2下载了Spark Prebuild软件包，解压缩并解压缩它：http://www.apache.org/dyn/closer.cgi/spark/spark-1.0.2/spark-1.0.2-bin-hadoop2.tgz
我创建了独立应用程序SimpleApp.scala，如：http://spark.apache.org/docs/latest/quick-start.html#standalone-applications所述，带有正确的simple.sbt文件（仅从描述中复制）和正确的目录布局
确保你在路径中有sbt。转到您的应用程序的目录，并使用sbt package
使用SPARK_HOME_DIR/sbin/spark_master.sh
转到localhost:8080并确保您的服务器正在运行。从URL复制链接（来自服务器描述，而不是localhost。它应该是端口7077或类似的东西）
使用SPARK_HOME_DIR/bin/spark-class org.apache.spark.deploy.worker.Worker spark://IP:PORT启动工作人员，其中IP：PORT是在6
将您的应用程序部署到服务器：SPARK_HOME_DIR/bin/spark-submit --class "SimpleApp" --master URL target/scala-2.10/simple-project_2.10-1.0.jar

那对我有用，希望对你有所帮助的Pawel

Answer 3

如果要连接到外部独立Spark实例，请按照所选答案进行操作：

SparkConf conf =
new SparkConf()
     .setAppName("Simple Application")
     .setMaster("spark://10.3.50.139:7077");

JavaSparkContext sc = new JavaSparkContext(conf);

在这里你可以找到更多＆＃34; master＆＃34;配置取决于Spark运行的位置：http://spark.apache.org/docs/latest/submitting-applications.html#master-urls

Answer 4

这个答案适用于Spark 2.3。如果您想在本地测试您的Spark应用程序，即没有Hadoop集群的先决条件，甚至无需启动任何独立的Spark服务，您可以这样做：< / p>

JavaSparkContext jsc = new JavaSparkContext(new SparkConf().setAppName("Simple App"));

然后，在本地运行您的应用程序：

$SPARK_HOME/bin/spark-submit --class SimpleApp --master local target/scala-2.10/simple-project_2.10-1.0.jar

为此，您需要将Spark tar文件解压缩到$ SPARK_HOME，并将$ SPARK_HOME设置为Spark用户的.profile

如何运行Spark Java程序

4 个答案: