云计算作业二Spark:问题解决备忘

安装spark

教程源地址：https://blog.csdn.net/weixin_52564218/article/details/141090528

镜像下载

教程给的官网下载地址很慢，https://archive.apache.org/dist/spark/spark-3.1.1/
这里的镜像快很多：
清华软件源：https://mirrors.tuna.tsinghua.edu.cn/apache/spark/

华为软件源：https://mirrors.huaweicloud.com/apache/spark/

本地模式运行spark代码

打开spark和hadoop
代码：

val file = sc.textFile("hdfs://localhost:9000/input/notes.txt") 
val words = file.flatMap(_.split("\\s+")).map(word => (word, 1)).reduceByKey(_ + _) 
words.collect

这里注意如果提示连接不上的话，可能是localhost的映射之前配置删除了，改成ip地址就可以了
如：

hdfs dfs -ls hdfs://192.168.186.123:9000/

注意，虚拟机的内存可能不够导致失败，可以设成3gb

安装scala

安装教程：https://blog.csdn.net/pangxiekebaba/article/details/142381396

可能遇到的问题

scala -version出现：此时不应有 \scala\bin\scala.bat
解决：
scala默认安装到了Program Files (x86)文件夹下。目录中有空格，空格就是导致这个问题的根本原因，把scala安装到其他目录即可

参见：https://www.cnblogs.com/gigi2653/p/10782197.html

11.2.2开发Spark程序

运行hello程序

先在idea上安装scala插件，可以不做“添加框架支持”这一步，chapter11文件直接复制粘贴过来，注意在父项目的pom文件中加入对应的依赖
比如：

            <dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.12</artifactId><version>3.1.1</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming_2.12</artifactId><version>3.1.1</version></dependency>

注意：运行程序时，linux上的spark要开启

maven打包项目

chapter11的parent依赖可能要加上relativePath标签，指明路径，不然clean不了

    <parent><artifactId>hadoop</artifactId><groupId>org.hadoop</groupId><version>1.0</version><relativePath>../../hadoop/pom.xml</relativePath></parent>

运行打包好的jar包

如果使用教程的命令不行：
运行jar包时，路径用引号引起来，并且scala目录使用绝对路径，指明使用哪一个jar包(这里是library),例如：

PS D:\workspace\hadoop\chapter11\chapter11\target>  java -cp "chapter11-1.0.jar;D:\program\scala\lib\scala-library.jar" org.hadoop.spark.HelloScala
Hello Scala

spark-submit

注意这里的端口号改成与自己一致的

spark-submit --master spark://myserver:7077 --class org.hadoop.spark.WordCount2 
/usr/jar/chapter11-1.0.jar hdfs://myserver:8020/test/ hdfs://myserver:8020/out001

dataframe

创建scala类:

11.6.3 FileStream

运行jar包时出现问题

首先用/app/spark-3.1.1-bin-hadoop3.2/sbin/start-all.sh，启动spark，再使用submit指令，第二个用hdfs管理文件时，运行jar包之后才用put上传文件，另外因为控制台信息滚动很快，可能看不到输出信息，让人以为没有输出，可以用控制台上方的工具栏的搜索搜索，比如：