spark在windows下的安装

 

Windows下最简的开发环境搭建
这里的spark开发环境, 不是为apache spark开源项目贡献代码, 而是指基于spark的大数据项目开发.

Spark提供了2个交互式shell, 一个是pyspark(基于python), 一个是spark_shell(基于scala). 这两个环境其实是并列的, 并没有相互依赖关系, 所以如果仅仅是使用pyspark交互环境, 而不使用spark-shell的话, 甚至连scala都不需要安装.

====================
pyspark运行环境配置:
====================

有空要完整将这篇文章翻译 https://districtdatalabs.silvrback.com/getting-started-with-spark-in-python

1. 安装python2.7,  Windows下官方推荐使用 anaconda 版本的 Python 2.7, 已经包含了很多科学计算包,https://store.continuum.io/cshop/anaconda/,  将python加到path环境变量中

2. 安装jdk. pyspark运行环境其实不依赖scala, 但jdk是必需的.  安装jdk1.7,   将java加到path环境变量中, 并设置JAVA_HOME环境变量.

3. 从apache spark网站下载spark-1.1.0-bin-hadoop2.4.tgz预编译包, 并解压.
   选择预编译包, 免去了从源码直接编译的麻烦.   
  

4. 修正spark-class2.cmd 脚本
           
     在启动spark shell, 碰到了个错误:
     Failed to initialize compiler: object scala.runtime in compiler mirror not found.

根据谷老师的提示, 修改了spark-class2.cmd文件, 具体在第91行设置 JAVA_OPTS 变量时, 再额外加一个选项 -Dscala.usejavacp=true , 即能解决这个问题.
               
      另外, 在使用Spark Sql, 按照example查询people.txt, 碰到了 StackOverflowError 问题,
        经查询 http://f.dataguru.cn/thread-351552-1-1.html, 需要修改JVM的 thread stack size. 同样还是91行, 增加 -Xss10m  选项即可.

最终91行为:
        set JAVA_OPTS=-XX:MaxPermSize=128m %OUR_JAVA_OPTS% -Xms%OUR_JAVA_MEM% -Xmx%OUR_JAVA_MEM%  -Dscala.usejavacp=true -Xss10m    
        
5. 补配hadoop环境变量 HADOOP_HOME

启动pyspark shell后, 运行一个简单 parallelize+collect 就会报错, 具体错误是, Could not locate executable null\bin\winutils.exe in the Hadoop binaries.  
   显然, spark这是要知道winutils.exe的全路径,  所以第一要安装winutils.exe, 第二要让spark知道安装到哪里了.  谷歌得到的信息是winutils.exe 是Hadoop windows 下的一个binary.
   我理解原因是, Spark driver程序的机器不必安装的Hadoop, 但仍然需要配置一下Hadoop运行环境, 这包括 HADOOP_HOME 环境变量, 以及 winutils.exe 程序.  
    64 bit 编译包下载地址,  https://github.com/srccodes/hadoop-common-2.2.0-bin/archive/master.zip
    32 bit 版本下载: http://yunpan.cn/csHEXGEaqVrLT 访问密码 8199 ,详见作者博客<<Hadoop：Windows 7 32 Bit 编译与运行>> http://www.cnblogs.com/smartbooks/p/3694760.html   
       
   下载解压后, 命令行中运行一下 winutils.exe, 看看是否和你的windows兼容. 如果兼容的话, 设置HADOOP_HOME为 C:\Program\hadoop-common-2.2.0-bin-master
   参考文章: http://www.srccodes.com/p/article/39/error-util-shell-failed-locate-winutils-binary-hadoop-binary-path
   
6. 补配spark环境变量 SPARK_HOME, 同上
 这步对于交互式环境并不是必须的, 但对于scala/python语言编程是必须的
 
7. 执行pyspark 验证是否可以工作
    在shell中, 输入 sc.parallelize(range(1000)).count()  ,得到了正确的值

scala版本环境搭建,
安装 scala-2.11.4.msi, 并将scala的bin目录放到OS 的PATH 环境变量, 其它步骤参考上面.  
 
监控spark的作业
http://localhost:4040/stages/

为 pyspark  shell 增加代码补全功能之方法1 ---- 使用DreamPie
bin/pyspark 是一个交互性的shell, 但是没有代码提示功能.  我比较喜欢DreamPie, 将下面代码存为c:/pyspark_shell.py, 然后在DreamPie执行execfile(r'c:\pyspark_shell.py'), 即能得到一个带代码提示环境.

# -*- coding:utf- -*- 
# file: c:\pyspark_shell.py
# 使用, 在dreampie输入, 即得到了pyspark交互shell: execfile('c:\pyspark_shell.py')
__author__  = "Hari Sekhon"
__version__ = "0.1"

# https://github.com/harisekhon/toolbox/blob/master/.ipython-notebook-pyspark.00-pyspark-setup.py
import glob
import os
import sys
 
spark_home=r'c:\program1\spark-1.1.1-bin-hadoop2.4' 
hadoop_home=r'c:\program1\hadoop-common-2.2.0-bin-master'
python_bin=r'c:\pythonenv\Python27'

# 这步是将pyspark和py4j 加到 PYTHONPATH. 我测试了直接Windows的PYTHONPATH加下面的路径, 并不管用
sys.path.insert(, os.path.join(spark_home, 'python')) # add pyspark
sys.path.insert(, os.path.join(spark_home, r'python\build'))  # add py4j

# 这步是设置了 SPARK_HOME 和 HADOOP_HOME 
# 我测试了即使是在Windows设置了环境变量, 也不管用  
# 所以在程序中, 设置了 SPARK_HOME 和 HADOOP_HOME 
os.environ['SPARK_HOME']=spark_home
os.environ['HADOOP_HOME']=hadoop_home

#在worker机器上, 需要将python放到操作系统的Path环境变量中, 我手工设置了PATH环境变量,
#但在代码中却读PATH环境变量, 却发现没有python路径,
#无奈我在pyspark_shell.py 代码中将python加到path环境变量.
os.environ['PATH']=os.environ['PATH']+';'+python_bin

#执行D:\program\spark-1.1.-bin-hadoop2.\python\pyspark\shell.py
execfile(os.path.join(spark_home,r'python\pyspark\shell.py'))

为 pyspark  shell 增加代码补全功能之方法2 ---- 使用ipython qtconsole

这个方法比方法1简单一些, 使用ipython 的自动补全功能.

rem ========================================
rem Launch pyspark in ipython qtconsole
rem ========================================

setlocal

set ANACONDA_PY_HOME=D:\pythonenv\python277
SET SPARK_HOME=D:\program\spark-1.5.2-bin-hadoop2.6

set PYSPARK_PYTHON=%ANACONDA_PY_HOME%\python.exe
set PYSPARK_DRIVER_PYTHON=%ANACONDA_PY_HOME%\Scripts\ipython.exe
set PYSPARK_DRIVER_PYTHON_OPTS=qtconsole

%SPARK_HOME%\bin\pyspark.cmd

endlocal

Spark 1.5 在我的Windows下运行(机器只有3GB内存), 报如下错误,
Error occurred during initialization of VM
Could not reserve enough space for object heap
Error: Could not create the Java Virtual Machine.
Error: A fatal exception has occurred. Program will exit.
显然是内存不足, 最终的解决方法是: 在OS系统环境变量中, 加上 _JAVA_OPTIONS, 取值为 -Xms300m -Xmx700m -XX:PermSize=64m -XX:MaxPermSize=256m -Dscala.usejavacp=true -Xss10m          
我试着在spark-class2.cmd 和 spark-env.cmd 中设置_JAVA_OPTIONS变量, 但没有成功.
小内存设置:
_JAVA_OPTIONS: -Xms300m -Xmx700m -XX:PermSize=64m -XX:MaxPermSize=256m -Dscala.usejavacp=true -Xss10m    
大内存设置:
_JAVA_OPTIONS: -Xms800m -Xmx1500m -XX:PermSize=64m -XX:MaxPermSize=256m