.NET for Apache Spark 入门演练

微软官方文档: .NET for Apache Spark 入门 | Microsoft Learn

注意：由于本次在windows平台下进行演练，以下在未标注操作系统平台处，默认为windows。

1. 环境准备

推荐安装工具： visual studio 2019， 7-zip 或 bandzip 解压工具

1.1 安装.Net

推荐安装 visual studio 2019 作为编码IDE，同时它会自动安装 .net 开发环境。

在windows开发环境下，安装了visual studio 2019或者其它版本时已经安装了.net开发环境。故不做详细说明。

在命令行输入以下命令验证是否有.net环境:

dotnet --version

打印出版本信息，则进行下一步。

1.2 安装 Java

安装 java 8 , 安装完成后可使用如下命令进行测试

java ,  javac , java -version

打印出版本信息，则进行下一步。

1.3 安装 Apache Spark

本文使用 spark-3.0.1-bin-hadoop2.7.tgz。
官网下载地址：Downloads | Apache Spark
镜像站： Index of /dist/spark/spark-3.0.1 (apache.org)
下载完成后，使用7-zip提取嵌套的 .tar文件，然后解压 .tar文件
取消7-zip界面的 "提取到" 勾选框

设置环境变量

# 这里的 C:\bin 替换为自己的安装目录

setx /M HADOOP_HOME C:\bin\spark-3.0.1-bin-hadoop2.7\

setx /M SPARK_HOME C:\bin\spark-3.0.1-bin-hadoop2.7\

setx /M PATH "%PATH%;%HADOOP_HOME%;%SPARK_HOME%bin"

环境变量设置成功后，**打开新的命令行 **运行以下命令

spark-submit --version

如果打印出版本信息，则安装成功，进行下一步。

1.4 安装.NET for Apache Spark

从 GitHub Releases · dotnet/spark (github.com) 下载。这里下载 Microsoft.Spark.Worker.net461.win-x64-2.1.1.zip 版本，因为本文是基于 .NetFramework 演练。
使用7-zip提取嵌套的 .tar文件，然后解压 .tar文件
取消7-zip界面的 "提取到" 勾选框

1.5 安装 WinUtils（仅限 Windows）

.NET for Apache Spark 要求与 Apache Spark 一起安装 WinUtils。下载 winutils.exe 。然后，将 WinUtils 复制到 C:\bin\spark-3.0.1-bin-hadoop2.7\bin。

设置环境变量

# 这里的 C:\bin 替换为自己的安装目录

setx /M DOTNET_WORKER_DIR  C:bin\Microsoft.Spark.Worker-2.1.1

2 编写演练实例

在本地新建一个文本，输入如下内容

Hello World

This .NET app uses .NET for Apache Spark

This .NET app counts words with Apache Spark

打开 visual studio 2019，选择 .NetFramework，创建控制台程序。

引入 NuGet 包：Microsoft.Spark，默认最新版本2.1.1

在 Progarm.cs 文件中输入以下代码

   		  var inputTxt = @"C:\Users\Administrator\Desktop\新建文本文档.txt";

            SparkSession spark = SparkSession

                .Builder()

                .AppName("word_count_sample")

                .GetOrCreate();

            // Create initial DataFrame

            DataFrame dataFrame = spark.Read().Text(inputTxt);

            // Count words

            DataFrame words = dataFrame

                .Select(Functions.Split(Functions.Col("value"), " ").Alias("words"))

                .Select(Functions.Explode(Functions.Col("words"))

                .Alias("word"))

                .GroupBy("word")

                .Count()

                .OrderBy(Functions.Col("count").Desc());

            // Show results

            words.Show();

            // Stop Spark session

            spark.Stop();

编译输出。

执行。输入如下命令运行

spark-submit --class  org.apache.spark.deploy.dotnet.DotnetRunner --master local  microsoft-spark-3-0_2.12-2.1.1.jar   ConsoleApp1.exe

spark-submit 提交给spark执行
--calss 执行程序
--master 本地还是远程仓库，选local，然后指定 microsoft-spark 版本，然后指定用户程序

这里有个注意的地方，NuGet下载下来的包，在编译输出目录下会有4个jar包

microsoft-spark-2-4_2.11-2.1.1.jar
microsoft-spark-3-0_2.12-2.1.1.jar
microsoft-spark-3-1_2.12-2.1.1.jar
microsoft-spark-3-2_2.12-2.1.1.jar

这里选择第二个 microsoft-spark-3-0_2.12-2.1.1.jar，只有这个能运行成功。其它3个应该是 .netcore平台下的，

执行结果如下：

说明第一次演练成功！