当前位置:   article > 正文

Python大数据之PySpark(二)PySpark安装_支持 依赖项 'python:pyspark' 的插件 spark 当前尚未安装。

支持 依赖项 'python:pyspark' 的插件 spark 当前尚未安装。

PySpark安装

  • 1-明确PyPi库,Python Package Index 所有的Python包都从这里下载,包括pyspark

image-20210907145232752

image-20210907145709388

  • 2-为什么PySpark逐渐成为主流?
  • http://spark.apache.org/releases/spark-release-3-0-0.html
  • Python is now the most widely used language on Spark. PySpark has more than 5 million monthly downloads on PyPI, the Python Package Index.
  • 记住如果安装特定的版本需要使用指定版本,pip install pyspark2.4.5
  • 本地安装使用pip install pyspark 默认安装最新版

PySpark Vs Spark

Python作为Spark的主流开发语言

PySpark安装

1-如何安装PySpark?

  • 首先安装anconda,基于anaconda安装pyspark
  • anaconda是数据科学环境,如果安装了anaconda不需要安装python了,已经集成了180多个数据科学工具
  • 注意:anaconda类似于cdh,可以解决安装包的版本依赖的问题

Linux的Anaconda安装

2-如何安装anconda?

  • 去anaconda的官网下载linux系统需要文件 Anaconda3-2021.05-Linux-x86_64.sh
  • 上传到linux中,执行安装sh Anaconda3-2021.05-Linux-x86_64.sh或bash Anaconda3-2021.05-Linux-x86_64.sh
  • 直接Enter下一步到底,完成
  • 配置环境变量,参考课件

3-Anaconda有很多软件

  • IPython 交互式Python,比原生的Python在代码补全,关键词高亮方面都有明显优势

  • jupyter notebook:以Web应用启动的交互式编写代码交互式平台(web平台)

  • 180多个工具包

  • conda和pip什么区别?

  • conda和pip都是安装python package

  • conda list可以展示出package的版本信息

  • conda 可以创建独立的沙箱环境,避免版本冲突,能够做到环境独立

  • conda create -n pyspark_env python==3.8.8

4-Anaconda中可以利用conda构建虚拟环境

  • 这里提供了多种方式安装pyspark
  • (掌握)第一种:直接安装 pip install pyspark
  • (掌握)第二种:使用虚拟环境安装pyspark_env中安装,pip install pyspark
  • 第三种:在PyPi上下载下来对应包执行安装

5-如何查看conda创建的虚拟环境?

  • conda env list
  • conda create -n pyspark_env python==3.8.8
  • pip install pyspark

PySpark安装

  • 1-使用base的环境安装
  • image-20210907152724447
  • 2-使用pyspark_env方式安装
  • image-20210907152601245
  • 查看启动结果

  • image-20210907153140798

  • 简单的代码演示

  • image-20210907153335422

  • 在虚拟环境下的补充

  • image-20210907153553522

  • webui

  • image-20210907153745013

  • 注意:

    • 1-1个Spark的Applicaition下面有很多Job
    • 2-1个Job下面有很多Stage

Jupyter环境设置

监控页面

  • 4040的端口
  • image-20210907164238934
  • image-20210907164121516

运行圆周率

  • 回顾Hadoop中可以使用

  • hadoop jar xxxx.jar 100

  • yarn jar xxxx.jar 1000

  • 跑的mr的任务

  • Spark中也有对应的提交任务的代码

  • spark-submit 提交圆周率的计算代码 */examples/src/main/python/pi.py*

  • 提交的命令:

    bin/spark-submit --master local[2] /export/server/spark/examples/src/main/python/pi.py 10
    或者

    # 基于蒙特卡洛方法求解的Pi,需要参数10,或100代表的次数
    bin/spark-submit \
    --master local[2] \
    /export/server/spark/examples/src/main/python/pi.py  \
    10
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • image-20210907165254363

    • image-20210907165310163

    • 蒙特卡洛方法求解PI

    • image-20210907170654900

    • 采用的扔飞镖的方法,在极限的情况下,可以用落入到圆内的次数除以落入正方形内的次数

    • hadoop jar /export/server/hadoop-3.3.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar pi 10 10

    • hadoop提交任务中使用 第一个10代表是map任务,第二10代表每个map任务投掷的次数

    • spark-submit的提交的参数10的含义是投掷的次数

    • 简单的py代码

      def pi(times): # times的意思是落入到正方形的次数
      x_time = 0
      for i in range(times):
      # 有多少落入到圆内
      x = random.random()
      y = random.random()
      if x * x + y * y <= 1:
      x_time += 1
      return x_time / times * 4.0
      print(pi(10000000))#3.1410412

      环境搭建-Standalone

      • 完成了Spark的local环境搭建
      • 完成了Spark的PySpark的local环境搭建
      • 基于PySpark完成spark-submit的任务提交

      Standalone 架构

      • image-20210907173358686
      • 如果修改配置,如何修改?
      • 1-设定谁是主节点,谁是从节点
        • node1是主节点,node1,node2,node3是从节点
      • 2-需要在配置文件中声明,
        • 那个节点是主节点,主节点的主机名和端口号(通信)
        • 那个节点是从节点,从节点的主机名和端口号
      • 3-现象:进入到spark-shell中或pyspark中,会开启4040的端口webui展示,但是一旦交互式命令行退出了,wenui无法访问了,需要具备Spark的历史日志服务器可以查看历史提交的任务

      角色分析

      Master角色,管理节点, 启动一个名为Master的进程, *Master进程有且仅有1个*(HA模式除外)

      Worker角色, 干活节点,启动一个名为 Worker的进程., Worker进程****最少1个, 最多不限制****

      Master进程负责资源的管理, 并在有程序运行时, 为当前程序创建管理者Driver

      Driver:驱动器,使用SparkCOntext申请资源的称之为Driver,告诉任务需要多少cpu或内存

      Worker进程负责干活, 向Master汇报状态, 并听从程序Driver的安排,创建Executor干活

      在Worker中有Executor,Executor真正执行干活

      集群规划

      谁是Master 谁是Worker

      node1:master/worker

      node2:slave/worker

      node3:slave/worker

      为每台机器安装Python3

      安装过程

      • 1-配置文件概述
      • spark-env.sh 配置主节点和从节点和历史日志服务器
      • workers 从节点列表
      • spark-default.conf spark框架启动默认的配置,这里可以将历史日志服务器是否开启,是否有压缩等写入该配置文件
      • image-20210907174431620
      • 2-安装过程
      • 2-1 修改workers的从节点配置文件
      • image-20210907175314177
      • 2-2 修改spark-env.sh配置文件
      • hdfs dfs -mkdir -p /sparklog/
      • image-20210907175633633
      • 2-3 修改spark-default.conf配置文件
      • image-20210907175738338
      • 2-4 配置日志显示级别(省略)

      测试

      • image-20210907180432917

      • WebUi

      • image-20210907181051096

      • (1)Spark-shell

      • bin/spark-shell --master spark://node1:7077

      • image-20210907181018963

      • (2)pyspark

      • 前提:需要在三台机器上都需要安装Anaconda,并且安装PySpark3.1.2的包

      • 步骤:

      • 如果使用crt上传文件一般使用rz命令,yum install -y lrzsz

      • 1-在3台虚拟机上准备anconda

      • 2-安装anaconda,sh anaconda.sh

      • 3-安装pyspark,这里注意环境变量不一定配置,直接进去文件夹也可以

      • 4-测试

      • 调用:bin/pyspark --master spark://node1:7077

      • image-20210908104715004

      • image-20210908104843353

      • (3)spark-submit

      • image-20210908105555461

      • 
        
        • 1
      
      
      • 1
      #基于Standalone的脚本
      #driver申请作业的资源,会向--master集群资源管理器申请
      #执行计算的过程在worker中,一个worker有很多executor(进程),一个executor下面有很多task(线程)
      bin/spark-submit \
      --master spark://node1:7077 \
      --driver-memory 512m \
      --executor-memory 512m \
      --conf "spark.pyspark.driver.python=/root/anaconda3/bin/python3" \
      --conf "spark.pyspark.python=/root/anaconda3/bin/python3" \
      /export/server/spark/examples/src/main/python/pi.py  \
      10
      
      • 1
      • 2
      • 3
      • 4
      • 5
      • 6
      • 7
      • 8
      • 9
      • 10
      • 11
      * 完毕
      
      • 1
      
      
      • 1

        Spark 应用架构

        • 两个基础driver和executor

        • image-20210908110103556
        • image-20210908110416482

        • image-20210908110915547
        • 用户程序从最开始的提交到最终的计算执行,需要经历以下几个阶段:

        1)、用户程序创建 SparkContext 时,新创建的 SparkContext 实例会连接到 ClusterManager。 Cluster Manager 会根据用户提交时设置的 CPU 和内存等信息为本次提交分配计算资源,启动 Executor。

        2)、Driver会将用户程序划分为不同的执行阶段Stage,每个执行阶段Stage由一组完全相同Task组成,这些Task分别作用于待处理数据的不同分区。在阶段划分完成和Task创建后, Driver会向Executor发送 Task;

        3)、Executor在接收到Task后,会下载Task的运行时依赖,在准备好Task的执行环境后,会开始执行Task,并且将Task的运行状态汇报给Driver;

        4)、Driver会根据收到的Task的运行状态来处理不同的状态更新。 Task分为两种:一种是Shuffle Map Task,它实现数据的重新洗牌,洗牌的结果保存到Executor 所在节点的文件系统中;另外一种是Result Task,它负责生成结果数据;

        5)、Driver 会不断地调用Task,将Task发送到Executor执行,在所有的Task 都正确执行或者超过执行次数的限制仍然没有执行成功时停止;

        • image-20210908111501219

        环境搭建StandaloneHA

        • 回顾:Spark的Standalone独立部署模式,采用Master和Worker结构进行申请资源和执行计算
        • 问题:如果Master出问题了,整个Spark集群无法工作,如何处理?
        • 解决:涉及主备,需要一个主节点,需要一个备用节点,通过ZK选举,如果主节点宕机备份节点可以接替上主节点继续执行计算

        高可用HA

        • 架构图
        • image-20210908111920879

        基于Zookeeper实现HA

        • 如何实现HA的配置?
        • 1-需要修改spark-env.sh中的master的ip或host,注释掉,因为依靠zk来选择
        • image-20210908112612289
        • 2-开启zk,zkServer.sh status
        • image-20210908112910324
        • 3-需要在原来的基础上启动node2的master的命令 start-master.sh
        • 4-重启Spark的Standalone集群,然后执行任务
        • sbin/stop-all.sh
        • sbin/start-all.sh
        • webUI
        • image-20210908115141125
        • image-20210908115147005

        测试运行

        spark-shell

        • image-20210908113423751

        pyspark

        • bin/pyspark --master spark://node1:7077,node2:7077
        • image-20210908113604952

        spark-submit

        #基于StandaloneHA的脚本
        bin/spark-submit
        –master spark://node1:7077,node2:7077
        –conf “spark.pyspark.driver.python=/root/anaconda3/bin/python3”
        –conf “spark.pyspark.python=/root/anaconda3/bin/python3”
        /export/server/spark/examples/src/main/python/pi.py
        10

        • 测试:目前node1是主节点,node2是standby备用主节点,这时候将node1 的master进程干掉,然后看node2的master是否能够接替node1的master的作用,成为active的master

        • image-20230926185834012

        • image-20230926185901869

        • 如果一个master节点宕机另外一个master启动需要1-2分钟

        • 完毕

        后记

        声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/我家小花儿/article/detail/498477
        推荐阅读
        相关标签