Spark安装配置（本地模式、伪分布式、集群模式--standalone,yarn模式）_spark standalone spark_history_opts 不用hdfs

Spark安装配置

---

---

2.1 Spark安装

官网地址：http://spark.apache.org/
文档地址：http://spark.apache.org/docs/latest/
下载地址：http://spark.apache.org/downloads.html
下载Spark安装包
下载地址：https://archive.apache.org/dist/spark/
备注：不用安装scala

安装步骤：
1、下载软件解压缩，移动到指定位置

[root@linux121 ~]# cd /opt/lagou/software/
[root@linux121 software]# tar zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz
[root@linux121 software]# mv spark-2.4.5-bin-without-hadoop-scala-2.12/ ../servers/spark-2.4.5/
1
2
3

2、设置环境变量，并使之生效

vim /etc/profile

export SPARK_HOME=/opt/lagou/servers/spark-2.4.5
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

source /etc/profile
1
2
3
4
5
6

#cmd为windows命令，这里将其删除
[root@linux121 software]# cd $SPARK_HOME/bin
[root@linux121 bin]# ls *.cmd
[root@linux121 bin]# rm -rf *.cmd
1
2
3
4

3、修改配置
文件位置：$SPARK_HOME/conf
修改文件：slaves、spark-defaults.conf、spark-env.sh、log4j.properties

[root@linux121 conf]# cp spark-env.sh.template spark-env.sh
[root@linux121 conf]# cp slaves.template slaves
[root@linux121 conf]# cp spark-defaults.conf.template spark-defaults.conf
[root@linux121 conf]# cp log4j.properties.template log4j.properties
1
2
3
4

more slaves

linux121
linux122
linux123

more spark-defaults.conf

spark.master spark://linux121:7077
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux121:9000/spark-eventlog
spark.serializer org.apache.spark.serializer.KryoSerializer
spark.driver.memory 512m
1
2
3
4
5

创建 HDFS 目录：hdfs dfs -mkdir /spark-eventlog
备注：

• spark.master。定义master节点，缺省端口号 7077
• spark.eventLog.enabled。开启eventLog
• spark.eventLog.dir。eventLog的存放位置
• spark.serializer。一个高效的序列化器
• spark.driver.memory。定义driver内存的大小（缺省1G）

修改spark-env.sh
添加如下信息

export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231
export HADOOP_HOME=/opt/lagou/servers/hadoop-2.9.2
export HADOOP_CONF_DIR=/opt/lagou/servers/hadoop-2.9.2/etc/hadoop
export SPARK_DIST_CLASSPATH=$(/opt/lagou/servers/hadoop-2.9.2/bin/hadoop classpath)
export SPARK_MASTER_HOST=linux121
export SPARK_MASTER_PORT=7077
1
2
3
4
5
6

备注：这里使用的是 spark-2.4.5-bin-without-hadoop，所以要将 Hadoop 相关jars 的位置告诉Spark

4、将Spark软件分发到集群；修改其他节点上的环境变量

[root@linux121 conf]# cd /opt/lagou/servers
[root@linux121 servers]# scp -r spark-2.4.5/ linux122:$PWD
[root@linux121 servers]# scp -r spark-2.4.5/ linux123:$PWD
1
2
3

5、启动集群

cd $SPARK_HOME/sbin 
./start-all.sh
1
2

分别在linux121、linux122、linux123上执行 jps，可以发现：
linux121：Master、Worker
linux122：Worker
linux123：Worker
此时 Spark 运行在 Standalone 模式下。

在浏览器中输入：http://linux121:8080/
可以看见如下 Spark 的 Web 界面：

备注：在$HADOOP_HOME/sbin 及 $SPARK_HOME/sbin 下都有 start-all.sh 和stop-all.sh 文件

在输入 start-all.sh / stop-all.sh 命令时，谁的搜索路径在前面就先执行谁，此时会产生冲突。

解决方案：

• 删除一组 start-all.sh / stop-all.sh 命令，让另外一组命令生效
• 将其中一组命令重命名。如：将 $HADOOP_HOME/sbin 路径下的命令重命名为：start-all-hadoop.sh / stop-all-hadoop.sh
• 将其中一个框架的 sbin 路径不放在 PATH 中
  
  6、集群测试

[root@linux121 ~]# run-example SparkPi 10

#hdfs上先创建/wcinput/wc.txt
[root@linux121 ~]# hdfs dfs -mkdir -p /wcinput/wc.txt
[root@linux121 ~]# spark-shell

scala> val lines = sc.textFile("/wcinput/wc.txt")
scala> lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)
1
2
3
4
5
6
7
8

Spark集群是否一定依赖hdfs？不是的，除非用到了hdfs。

Apache Spark支持多种部署模式。最简单的就是单机本地模式（Spark所有进程都运
行在一台机器的JVM中）、伪分布式模式（在一台机器中模拟集群运行，相关的进程
在同一台机器上）。分布式模式包括：Standalone、Yarn、Mesos。

Apache Spark支持多种部署模式：

• 本地模式。最简单的运行模式，Spark所有进程都运行在一台机器的 JVM 中
• 伪分布式模式。在一台机器中模拟集群运行，相关的进程在同一台机器上（用的非常少）
• 分布式模式。包括：Standalone、Yarn、Mesos
  • Standalone。使用Spark自带的资源调度框架
  • Yarn。使用 Yarn 资源调度框架
  • Mesos。使用 Mesos 资源调度框架

2.2 本地模式

本地模式部署在单机，主要用于测试或实验；最简单的运行模式，所有进程都运行在
一台机器的 JVM 中；
本地模式用单机的多个线程来模拟Spark分布式计算，通常用来验证开发出来的应用
程序逻辑上有没有问题；

这种模式非常简单，只需要把Spark的安装包解压后，改一些常用的配置即可使用。
不用启动Spark的Master、Worker守护进程，也不用启动Hadoop的服务（除非用
到HDFS）。

• local：在本地启动一个线程来运行作业；
• local[N]：启动了N个线程；
• local[*]：使用了系统中所有的核；
• local[N,M]：第一个参数表示用到核的个数；第二个参数表示容许作业失败的次数

前面几种模式没有指定M参数，其默认值都是1；
测试：
1、关闭相关服务

stop-dfs.sh
stop-all.sh

2、启动 Spark 本地运行模式

spark-shell --master local

备注：此时可能有错误。主要原因是配置了日志聚合(即是用来了hdfs，但hdfs服务关闭了)，关闭该选项即可

# spark-defaults.conf文件中，注释以下两行：
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux121:9000/spark-eventlog
1
2
3

3、使用 jps 检查，发现一个 SparkSubmit 进程
这个SparkSubmit进程又当爹、又当妈。既是客户提交任务的Client进程、又是
Spark的driver程序、还充当着Spark执行Task的Executor角色。

4、执行简单的测试程序

val lines = sc.textFile("file:///root/a.txt") lines.count
1

2.3 伪分布式

伪分布式模式：在一台机器中模拟集群运行，相关的进程在同一台机器上；
备注：不用启动集群资源管理服务；

• local-cluster[N,cores,memory]
  • N模拟集群的 Slave（或worker）节点个数
  • cores模拟集群中各个Slave节点上的内核数
  • memory模拟集群的各个Slave节点上的内存大小

备注：参数之间没有空格，memory不能加单位
1、启动 Spark 伪分布式模式

spark-shell --master local-cluster[4,2,1024]
1

2、使用 jps 检查，发现1个 SparkSubmit 进程和4个
CoarseGrainedExecutorBackend 进程
SparkSubmit依然充当全能角色，又是Client进程，又是Driver程序，还有资源管理
的作用。
4个CoarseGrainedExecutorBackend，用来并发执行程序的进程。

3、执行简单的测试程序

spark-submit --master local-cluster[4,2,1024] --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 10
1

备注：

• local-cluster[4,2,1024]，参数不要给太大，资源不够
• 这种模式少用，有Bug。SPARK-32236

2.4 集群模式–Standalone模式

参考：http://spark.apache.org/docs/latest/spark-standalone.html

• 分布式部署才能真正体现分布式计算的价值
• 与单机运行的模式不同，这里必须先启动Spark的Master和Worker守护进程；
  关闭 yarn 对应的服务
• 不用启动Hadoop服务，除非要使用HDFS的服务

使用jps检查，可以发现：

• linux121：Master、Worker
• linux122：Worker
• linux123：Worker

使用浏览器查看（linux121:8080）

2.4.1 Standalone 配置

sbin/start-master.sh / sbin/stop-master.sh
sbin/start-slaves.sh / sbin/stop-slave.sh
sbin/start-slave.sh / sbin/stop-slaves.sh
sbin/start-all.sh / sbin/stop-all.sh
1
2
3
4

备注：./sbin/start-slave.sh [options]；启动节点上的worker进程，调试中较为常用

在 spark-env.sh 中定义：

SPARK_WORKER_CORES：Total number of cores to allow Spark applications to
use on the machine (default: all available cores).
SPARK_WORKER_MEMORY：Total amount of memory to allow Spark
applications to use on the machine, e.g. 1000m , 2g (default: total memory
minus 1 GiB); note that each application’s individual memory is configured
using its spark.executor.memory property.

测试在 spark-env.sh 中增加参数，分发到集群，重启服务：
不设置默认如图：

export SPARK_WORKER_CORES=10 
export SPARK_WORKER_MEMORY=20g
1
2

在浏览器中观察集群状态，测试完成后将以上两个参数分别改为2、2g，重启服务。

2.4.2 运行模式(cluster / client)

最大的区别：Driver运行在哪里；client是缺省的模式，能看见返回结果，适合调
试；cluster与此相反；

• Client模式（缺省）。Driver运行在提交任务的Client，此时可以在Client模式下，看见应用的返回结果，适合交互、调试
• Cluster模式。Driver运行在Spark集群中，看不见程序的返回结果，合适生产环境
  

测试1（Client 模式）：

[root@linux121 ~]# spark-submit --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 1000
1

再次使用 jps 检查集群中的进程：

• Master进程做为cluster manager，管理集群资源
  Worker 管理节点资源
• SparkSubmit 做为Client端，运行 Driver 程序。Spark Application执行完成，
  进程终止
• CoarseGrainedExecutorBackend，运行在Worker上，用来并发执行应用程序

测试2（Cluster 模式）：

[root@linux121 ~]# spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode cluster $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 1000
1

• SparkSubmit 进程会在应用程序提交给集群之后就退出
• Master会在集群中选择一个 Worker 进程生成一个子进程 DriverWrapper 来启
  动 Driver 程序
• Worker节点上会启动 CoarseGrainedExecutorBackend
• DriverWrapper 进程会占用 Worker 进程的一个core（缺省分配1个core，1G内
  存）
• 应用程序的结果，会在执行 Driver 程序的节点的 stdout 中输出，而不是打印在
  屏幕上

在启动 DriverWrapper 的节点上，进入 $SPARK_HOME/work/，可以看见类似
driver-20200810233021-0000 的目录，这个就是 driver 运行时的日志文件，进入
该目录，会发现：

• jar 文件，这就是移动的计算
• stderr 运行日志
• stdout 输出结果
  
  

2.4.3 History Server

[root@linux121 ~]# cd $SPARK_HOME/conf 
[root@linux121 conf]# vim spark-defaults.conf
1
2

# spark-defaults.conf
# history server
spark.eventLog.enabled true
spark.eventLog.dir hdfs://node1:8020/spark-eventlog
spark.eventLog.compress  true
1
2
3
4
5

[root@linux121 conf]# vim spark-env.sh
1

# spark-env.sh
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=50 -Dspark.history.fs.logDirectory=hdfs://linux121:9000/spark-eventlog"
1
2

[root@linux121 conf]# scp spark-env.sh linux122:$PWD
[root@linux121 conf]# scp spark-env.sh linux123:$PWD
[root@linux121 conf]# scp spark-defaults.conf linux122:$PWD
[root@linux121 conf]# scp spark-defaults.conf linux123:$PWD
1
2
3
4

spark.history.retainedApplications。设置缓存Cache中保存的应用程序历史记录的
个数（默认50），如果超过这个值，旧的将被删除；

缓存文件数不表示实际显示的文件总数。只是表示不在缓存中的文件可能需要从硬盘
读取，速度稍有差别

前提条件：启动hdfs服务（日志写到HDFS）
启动historyserver，使用 jps 检查，可以看见 HistoryServer 进程。如果看见该进
程，请检查对应的日志。

$SPARK_HOME/sbin/start-history-server.sh
1

web端地址：http://linux121:18080/

2.4.4 高可用配置

Spark Standalone集群是 Master-Slaves架构的集群模式，和大部分的MasterSlaves结构集群一样，存着Master单点故障的问题。如何解决这个问题，Spark提供了两种方案：
（1）基于zookeeper的Standby Master，适用于生产模式。将 Spark 集群连接到
Zookeeper，利用 Zookeeper 提供的选举和状态保存的功能，一个 Master 处于
Active 状态，其他 Master 处于Standby状态；

保证在ZK中的元数据主要是集群的信息，包括：Worker，Driver和Application以及
Executors的信息；

如果Active的Master挂掉了，通过选举产生新的 Active 的 Master，然后执行状态恢
复，整个恢复过程可能需要1~2分钟；

（2）基于文件系统的单点恢复（Single-Node Rcovery with Local File System），
主要用于开发或者测试环境。将 Spark Application 和 Worker 的注册信息保存在文
件中，一旦Master发生故障，就可以重新启动Master进程，将系统恢复到之前的状
态

配置步骤：
1、安装ZooKeeper，并启动
2、修改 spark-env.sh 文件，并分发到集群中

# 注释以下两行！！！
# export SPARK_MASTER_HOST=linux121
# export SPARK_MASTER_PORT=7077
# 添加以下内容
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=linux121,linux122,linux123 -Dspark.deploy.zookeeper.dir=/spark"
1
2
3
4
5

备注：

• spark.deploy.recoveryMode：可选值 Zookeeper、FileSystem、None
• deploy.zookeeper.url：Zookeeper的URL，主机名:端口号(缺省2181)
• deploy.zookeeper.dir：保存集群元数据信息的地址，在ZooKeeper中保存该信息

3、启动 Spark 集群（linux121）

$SPARK_HOME/sbin/start-all.sh
1

浏览器输入：http://linux121:8080/，刚开始 Master 的状态是STANDBY，稍等一会变为：RECOVERING，最终是：ALIVE

4、在 linux122 上启动master

$SPARK_HOME/sbin/start-master.sh
1

进入浏览器输入：http://linux122:8080/，此时 Master 的状态为：STANDBY

5、杀到linux121上 Master 进程，再观察 linux122 上 Master 状态，由 STANDBY=> RECOVERING => ALIVE

小结：

• 配置每个worker的core、memory
• 运行模式：cluster、client；client缺省模式，有返回结果，适合调试；cluster与此相反
• History server
• 高可用（ZK、Local Flile；在ZK中记录集群的状态）

2.5 集群模式–Yarn模式

参考：http://spark.apache.org/docs/latest/running-on-yarn.html
需要启动的服务：hdfs服务、yarn服务
需要关闭 Standalone 对应的服务(即集群中的Master、Worker进程)，一山不容二虎！

在Yarn模式中，Spark应用程序有两种运行模式：

• yarn-client。Driver程序运行在客户端，适用于交互、调试，希望立即看到app
  的输出
• yarn-cluster。Driver程序运行在由RM启动的 AppMaster中，适用于生产环境

二者的主要区别：Driver在哪里
1、关闭 Standalon 模式下对应的服务；开启 hdfs、yarn、historyserver 服务
2、修改 yarn-site.xml 配置
在 $HADOOP_HOME/etc/hadoop/yarn-site.xml 中增加，分发到集群，重启 yarn服务

<property>
    <name>yarn.nodemanager.pmem-check-enabled</name>
    <value>false</value>
</property>
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>
1
2
3
4
5
6
7
8

备注：

• yarn.nodemanager.pmem-check-enabled。是否启动一个线程检查每个任务
  正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true
• yarn.nodemanager.vmem-check-enabled。是否启动一个线程检查每个任务正
  使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true

3、修改配置，分发到集群

# spark-env.sh 中这一项必须要有
export HADOOP_CONF_DIR=/opt/lagou/servers/hadoop-2.9.2/etc/hadoop

# spark-defaults.conf(以下是优化)
# 与 hadoop historyserver集成
spark.yarn.historyServer.address linux121:18080
# 添加(以下是优化)
spark.yarn.jars hdfs:///spark-yarn/jars/*.jar

1
2
3
4
5
6
7
8
9

#将 $SPARK_HOME/jars 下的jar包上传到hdfs
hdfs dfs -mkdir -p /spark-yarn/jars/
cd $SPARK_HOME/jars
hdfs dfs -put * /spark-yarn/jars/

4、测试

# client
spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 2000
1
2

在提取App节点上可以看见：SparkSubmit、CoarseGrainedExecutorBackend
在集群的其他节点上可以看见：CoarseGrainedExecutorBackend
在提取App节点上可以看见：程序计算的结果（即可以看见计算返回的结果）

# cluster
spark-submit --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.11-2.4.5.jar 2000
1
2

在提取App节点上可以看见：SparkSubmit

在集群的其他节点上可以看见：CoarseGrainedExecutorBackend、
ApplicationMaster(Driver运行在此)

在提取App节点上看不见最终的结果

整合HistoryServer服务
前提：Hadoop的 HDFS、Yarn、HistoryServer 正常；Spark historyserver服务正常；
Hadoop：JobHistoryServer
Spark：HistoryServer

#日志服务historyserver  linux121：
cd /opt/lagou/servers/hadoop-2.9.2/sbin/
mr-jobhistory-daemon.sh start historyserver
#启动historyserver
$SPARK_HOME/sbin/start-history-server.sh
1
2
3
4
5

spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar \
20
1
2
3
4
5
6

1、修改 spark-defaults.conf，并分发到集群
新增如下内容：

# 整合yarn下historyServer服务
spark.yarn.historyServer.address linux121:18080
spark.history.ui.port 18080
1
2
3

2、重启/启动 spark 历史服务

stop-history-server.sh 
start-history-server.sh
1
2

3、提交任务

spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar \
100
1
2
3
4
5
6

4、Web页面查看日志(图见上)

备注：
1、在课程学习的过程中，大多数情况使用Standalone模式 或者 local模式
2、建议不使用HA；更多关注的Spark开发

2.6 开发环境搭建IDEA

前提：安装scala插件；能读写HDFS文件
pom.xml：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>org.example</groupId>
    <artifactId>LagouBigData</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <scala.version>2.12.10</scala.version>
        <spark.version>2.4.5</spark.version>
        <hadoop.version>2.9.2</hadoop.version>
        <encoding>UTF-8</encoding>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>${spark.version}</version>
        </dependency>
    </dependencies>
    <build>
        <pluginManagement>
            <plugins>
                <!-- 编译scala的插件 -->
                <plugin>
                    <groupId>net.alchim31.maven</groupId>
                    <artifactId>scala-maven-plugin</artifactId>
                    <version>3.2.2</version>
                </plugin>
                <!-- 编译java的插件 -->
                <plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-compiler-plugin</artifactId>
                    <version>3.5.1</version>
                </plugin>
            </plugins>
        </pluginManagement>
        <plugins>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <executions>
                    <execution>
                        <phase>compile</phase>
                        <goals>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <!-- 打jar插件 -->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.4.3</version>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>


</project>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113

package cn.lagou.sparkcore

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object WordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(conf)
    //使用本地文件
    //val lines: RDD[String] = sc.textFile("data/wc.txt")
    
    //使用HDFS文件  --无配置文件
    //val lines: RDD[String] =sc.textFile("hdfs://linux121:9000/wcinput/wc.txt")
    
    //使用HDFS文件  --有配置文件
    val lines: RDD[String] = sc.textFile("/wcinput/wc.txt")
    

    lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)
    sc.stop()
  }
}


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

备注：core-site.xml；链接源码；

<configuration>

    <!-- 指定HDFS中NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://linux121:9000</value>
    </property>
    <!-- 指定Hadoop运⾏时产⽣⽂件的存储⽬录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/lagou/servers/hadoop-2.9.2/data/tmp</value>
    </property>

    <!-- HiveServer2 连不上10000；hadoop为安装用户 -->
    <!-- root用户可以代理所有主机上的所有用户 -->
    <property>
        <name>hadoop.proxyuser.root.hosts</name>
        <value>*</value>
    </property>
    <property>
        <name>hadoop.proxyuser.root.groups</name>
        <value>*</value>
    </property>
    <property>
        <name>hadoop.proxyuser.hadoop.hosts</name>
        <value>*</value>
    </property>
    <property>
        <name>hadoop.proxyuser.hadoop.groups</name>
        <value>*</value>
    </property>
    

    <property>
        <name>hadoop.proxyuser.hdfs.hosts</name>
        <value>*</value>
    </property>
    <property>
        <name>hadoop.proxyuser.hdfs.groups</name>
        <value>*</value>
    </property>
</configuration>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

添加上面这个资源后，直接使用下面这个也可以访问hdfs
val lines: RDD[String] = sc.textFile("/wcinput/wc.txt")