WSL + Vscode一站式搭建Hadoop伪分布式 + Spark环境
使用WSL + VSCODE 快速搭建 Hadoop 和 Spark 环境
Wsl + Vscode一站式搭建Hadoop + Spark环境
想要搭建Linux、Hadoop、Spark等环境,现在通常的做法是在VM、Virtualbox等软件上安装虚拟机
本文介绍在windows子系统(Windows Subsystem for Linux)上搭建相关环境并使用vscode进行Spark程序开发
Wsl环境准备
wsl安装文档详细请见<设置 WSL 开发环境 | Microsoft Learn>
PowerShell中键入ubuntu
即可进入wsl环境
注意到windows文件资源管理器已经多了一只小企鹅
搭建Hadoop伪分布式环境
资源准备
-
修改/opt目录权限:
sudo chown -R yourname /opt # 以下的用户名xuxin替换为用户姓名.
-
在/opt目录下新建两个文件夹module 和 software
/opt/software目录下准备jdk-1.8和hadoop-3.2.3
jdk:< Java Downloads | Oracle>
hadoop:<Apache Hadoop> -
将下载好的文件直接复制粘贴进/opt/software目录下
-
解压文件
tar -zxvf /opt/software/jdk-8u212-linux-x64.tar.gz -C /opt/module/
tar -zxvf /opt/software/hadoop-3.2.3.tar.gz -C /opt/module/
配置ssh服务
- 安装ssh server
sudo apt install openssh-server
- 配置免密登录
cd ~/.ssh/ # 若没有该目录,先执行ssh localhost
ssh-keygen -t rsa # 出现提示,全部回车即可
cat ./id_rsa.pub >> ./authorized_keys
配置Java环境
- 修改.bashrc文件
vim ~/.bashrc
添加以下内容
export JAVA_HOME=/opt/module/jdk1.8.0_212
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
-
使配置文件生效
source ~/.bashrc
-
出现以下内容表示java环境搭建完成
java -version
配置hadoop环境
- 修改core-site.xml文件
cd /opt/module/hadoop-3.2.3
vim ./etc/hadoop/core-site.xml
- 改为如下配置
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/opt/module/hadoop-3.2.3/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
<property>
<name>hadooop.http.staticuser.user</name>
<value>xuxin</value>
</property>
</configuration>
- 同样修改hdfs.xml文件
cd /opt/module/hadoop-3.2.3
vim ./etc/hadoop/hdfs-site.xml
- 改为如下配置
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/opt/module/hadoop-3.2.3/tmp/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/opt/module/hadoop-3.2.3/tmp/dfs/data</value>
</property>
</configuration>
- namenode初始化
cd /opt/module/hadoop-3.2.3
./bin/hdfs namenode -format
-
出现类似日志信息表示初始化成功
-
启动hdfs
cd /opt/module/hadoop-3.2.3/
./sbin/start-dfs.sh
-
浏览器访问localhost:9870可访问web页面
Utilities -> Browse the file system 查看hdfs文件系统 -
如果需要web端进行操作,可以在Hadoop目录下关闭安全模式
./bin/hadoop dfsadmin -safemode leave
运行wordcount示例代码
- 创建 test.txt文件
cd /opt/module/hadoop-3.2.3/
mkdir input
vim test.txt
- 测试文件内容
I learn C language
I like Java
I do not like Python
-
hdfs创建用户目录
./bin/hadoop fs -mkdir -p /user/xuxin
-
由于指定了用户目录,因此在命令中就可以使用相对路径如 input,其对应的绝对路径就是 /user/xuxin/input
./bin/hadoop fs -put ./input input
-
在web端可见已经上传成功
-
运行实例wordcount代码
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.3.jar wordcount input output
-
查看output输出
./bin/hadoop fs -cat output/*
OK,至此成功完成hadoop环境准备
Spark简单示例
资源准备
-
下载spark-3.2.4版本
<Downloads | Apache Spark> -
同样的方式将文件直接复制粘贴进/opt/software目录下
-
解压
cd /opt/software
tar -zxvf ./spark-3.2.4-bin-hadoop3.2.tgz -C ../module
配置spark环境
- 修改配置文件
mv spark-env.sh.template spark-env.sh
vim spark-env.sh
- 添加一行
export SPARK_DIST_CLASSPATH=$(/opt/module/hadoop-3.2.3/bin/hadoop classpath)
运行示例代码
cd /opt/module/spark-3.2.4-bin-hadoop3.2
./bin/run-example SparkPi
-
运行结果
-
观察到输出结果: Pi is roughly 3.1451557257786287
配置PySpark环境
Spark On Yarn
yarn准备
- 修改mapred-site.xml配置文件
cd /opt/module/hadoop-3.2.3/etc/hadoop
vim mapred-site.xml
添加以下内容
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
- 修改 yarn-site.xml配置文件
vim yarn-site.xml
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
-
开启yarn
./sbin/start-yarn.sh
查看当前进程
-
可以简单编写脚本方便hadoop启动与关闭
- 简单参考my_hadoop.sh
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo "==================== 启动 hadoop集群 ===================="
echo "------------- 启动 hdfs -------------"
"/opt/module/hadoop-3.2.3/sbin/start-dfs.sh"
echo "------------- 启动 yarn -------------"
"/opt/module/hadoop-3.2.3/sbin/start-yarn.sh"
echo "GO SEE http://localhost:9870/explorer.html#/ EXPLORE YOUR HDFS!"
;;
"stop")
echo "==================== 关闭 hadoop集群 ===================="
echo "------------- 关闭 yarn -------------"
"/opt/module/hadoop-3.2.3/sbin/stop-yarn.sh"
echo "------------- 关闭 hdfs -------------"
"/opt/module/hadoop-3.2.3/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
my_hadoop.sh start # 开启hdfs & yarn
my_hadoop.sh stop # 关闭yarn & hdfs
安装Miniconda3
- 资源准备
<Miniconda — miniconda documentation>
选择Linux版本下载 - 同样方式复制到/opt/software目录下并运行
cd /opt/software
bash ./Miniconda3-latest-Linux-x86_64.sh
-
跟着指引安装即可, 安装目录可以选择 /opt/module/miniconda3
-
安装完成
-
重启shell可以看见前边多了一个(base)
-
创建conda虚拟环境
conda create -n pyspark python=3.10
配置spark文件
- 在spark-env.sh文件中添加:
HADOOP_CONF_DIR=/opt/module/hadoop-3.2.3
YARN_CONF_DIR=/opt/module/hadoop-3.2.3
- 在.bashrc中添加配置:
export PYSPARK_PYTHON=/opt/module/miniconda3/envs/pyspark/bin/python
export PYSPARK_DRIVER_PYTHON=/opt/module/miniconda3/envs/pyspark/bin/python
Vscode配置远程连接
插件准备及python解释器选择
-
安装Remote Development插件
-
安装Python插件
-
左侧找到远程资源管理器选择Ubuntu并在当前窗口连接
-
在家目录创建pyspark-project文件夹
cd ~
mkdir pyspark-project
-
在vscode中选择此文件夹打开
-
安装python库pyspark
ctrl + ` 打开终端进行安装
conda activate pyspark
pip install pyspark==3.2.0 # pyspark版本不能太高,否则有兼容性问题
- python选择pyspark虚拟环境为解释器
测试WordCount程序
- 编写word_count.py程序
# coding:utf8
'''
word_count.py
单词计数
'''
from pyspark import SparkConf, SparkContext
if __name__ == '__main__':
conf = SparkConf().setAppName("WordCount")
sc = SparkContext(conf=conf)
input_path = "input/test.txt"
file_rdd = sc.textFile(input_path)
words_rdd = file_rdd.flatMap(lambda line: line.split(" "))
words_with_one_rdd = words_rdd.map(lambda x: (x, 1))
result_rdd = words_with_one_rdd.reduceByKey(lambda a, b: a + b)
result_rdd.coalesce(1).saveAsTextFile("output")
- 执行代码
cd /opt/module/spark-3.2.4-bin-hadoop3.2
./bin/spark-submit --master yarn ~/pyspark-project/test/word_count.py
-
运行结果
-
输出文件:
至此pyspark环境已经搭建完成
可以在vscode上编写程序并且提交到yarn了
更多推荐
所有评论(0)