Java接入Apache Spark（环境搭建、常见问题）

背景介绍

Apache Spark 是一个快速的，通用的集群计算系统。它对 Java，Scala，Python 和 R 提供了的高层 API，并有一个经优化的支持通用执行图计算的引擎。它还支持一组丰富的高级工具，包括用于 SQL 和结构化数据处理的 Spark SQL，用于机器学习的 MLlib，用于图计算的 GraphX 和 Spark Streaming。
Spark 是 MapReduce 的替代方案，而且兼容 HDFS、Hive，可融入 Hadoop 的生态系统，以弥补 MapReduce 的不足。，Spark 基于内存的运算要快 100 倍以上，基于硬盘的运算也要快 10 倍以上。Spark 实现了高效的 DAG 执行引擎，可以通过基于内存来高效处理数据流

Apache Spark官网：https://spark.apache.org/
Apache Spark中文官网：https://spark.apachecn.org/

开发环境

• win11 操作系统
• IntelliJ IDEA 2023.2.5
• jdk1.8 (corretto-1.8.0_392)

资源下载

Hadoop下载

• hadoop下载地址：
  https://hadoop.apache.org/releases.html
  也可以直接进入下载列表，进行下载，我这里使用的是hadoop-3.3.6。下载地址：https://dlcdn.apache.org/hadoop/common/

winutils下载

• winutils下载地址：
  gitHub：https://github.com/SirMin/winutils/tree/master
  下载该目录下的hadoop.dll 和 winutils.exe 文件
  
  或者直接在CSDN下载，【免费】不需要积分。
  Hadoop 3.3.6 Windows系统安装包 和 winutils的文件

安装环境

安装Hadoop【别安装在 Program Files这类带空格的文件夹下，因为环境变量找不着！！！】

• 将下载好的hadoop-3.3.6.tar.gz包，放到想要安装的目录，我这里是放在D盘（D:\hadoop-3.3.6.tar.gz）

• 解压hadoop-3.3.6.tar.gz文件【注意：需要在cmd中以管理员身份运行】
  

• 进入文件目录
  
  等待执行结束

• 配置HADOOP_HOME环境变量，进入 此电脑 -> 右键 -> 属性 -> 高级系统设置 -> 环境变量
  选择新建，配置变量名 HADOOP_HOME ，变量值为 hadoop的解压路径
  然后在系统变量的path中加入以下两个变量，保存即可。
  

%HADOOP_HOME%\bin
%HADOOP_HOME%\sbin

tar zxvf hadoop-3.3.6.tar.gz

解压后路径

D:\hadoop-3.3.6

• 配置 Hadoop 环境脚本
  在解压后的路径中（D:\Program Files\hadoop-3.3.6）找到D:\Program Files\hadoop-3.3.6\etc\hadoop\hadoop-env.cmd脚本，配置JDK的JAVA_HOME真实路径。
  

## 替换前
set JAVA_HOME=%JAVA_HOME%
## 替换后
set JAVA_HOME=C:\Users\cessz\.jdks\corretto-1.8.0_392

安装winutils

• 将winutils下载地址里 hadoop.dll 和 winutils.exe 文件拷贝到 C:\Windows\System32
  目录中

  重启电脑

• 或者将winutils下载地址里的所有文件下载下来放入，hadoop的bin文件夹（D:\hadoop-3.3.6\bin）

  重启IDEA

检查是否安装成功

• 检测环境变量是否配置成功
  bash hadoop -version

  

• 在IDEA中测试
  引入依赖

<dependency> <!-- Spark dependency -->
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.12</artifactId>
    <version>3.5.0</version>
    <scope>provided</scope>
</dependency>
<dependency> <!-- Spark dependency -->
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.12</artifactId>
    <version>3.5.0</version>
    <scope>provided</scope>
</dependency>

编写测试Application

import org.apache.spark.api.java.function.FilterFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.SparkSession;

public class SimpleApp {
    public static void main(String[] args) {
        String logFile = "D:\\IdeaProjects\\project\\README.md";
        SparkSession spark = SparkSession.builder().appName("Simple Application").master("local[*]").getOrCreate();
        Dataset<String> logData = spark.read().textFile(logFile).cache();

        long numAs = logData.filter((FilterFunction<String>) s -> s.contains("base")).count();
        long numBs = logData.filter((FilterFunction<String>) s -> s.contains("common")).count();

        System.out.println("Lines with base: " + numAs + ", lines with common: " + numBs);
        spark.stop();
    }
}

查看打印读取到的字符数量

常见问题

启动问题：IDEA：Error running，Command line is too long. Shorten command line启动行过长

解决方案：
打开Edit Configurations，配置保存完成，Apply之后启动即可。

Spark执行任务时，找不到主节点 Exception in thread “main” org.apache.spark.SparkException: A master URL must be set in your configuration

在Spark中，主节点的地址配置位于spark.master属性中，默认值为local[]，表示使用本地模式运行。本文章是本地搭建使用的，所以加上 .master("local[]") 即可。

参考博客

• java Exception in thread “main” org.apache.spark.SparkException: A master UR
• IDEA：Error running，Command line is too long. Shorten command line解决方案
• Java大数据处理框架推荐：处理大数据的工具推荐
• 【开发环境】安装 Hadoop 运行环境 ( 下载 Hadoop | 解压 Hadoop | 设置 Hadoop 环境变量 | 配置 Hadoop 环境脚本 | 安装 winutils )
• Hadoop3.x配置流程（Windows）