搭建Windows開發(fā)環(huán)境
本文為您介紹如何在Windows操作系統(tǒng)下搭建Spark on MaxCompute開發(fā)環(huán)境。
如果您安裝了Linux操作系統(tǒng),請前往搭建Linux開發(fā)環(huán)境。
前提條件
搭建Spark開發(fā)環(huán)境前,請確保您已經(jīng)在Windows操作系統(tǒng)中安裝如下軟件:
本文采用的軟件版本號及軟件安裝路徑僅供參考,請根據(jù)您的操作系統(tǒng)下載合適的軟件版本進(jìn)行安裝。
JDK
本文采用JDK 1.8.0_361,JDK官網(wǎng)下載地址請參見JDK官網(wǎng)。
Python
本文采用Python 3.7,Python官網(wǎng)下載地址請參見Python官網(wǎng)。
說明本文采用Spark-2.4.5,如采用其他版本Spark請下載安裝對應(yīng)版本Python,詳情請參見https://pypi.org/project/pyspark/。
Maven
本文采用Apache Maven 3.8.7,Maven官網(wǎng)下載地址請參見Maven官網(wǎng)。
Git
本文采用git version 2.39.1.windows.1,Git官網(wǎng)下載地址請參見Git官網(wǎng)。
Scala
本文采用Scala 2.13.10,Scala官網(wǎng)下載地址請參見Scala官網(wǎng)。
下載Spark on MaxCompute客戶端包
Spark on MaxCompute發(fā)布包集成了MaxCompute認(rèn)證功能。作為客戶端工具,它通過Spark-Submit方式提交作業(yè)到MaxCompute項(xiàng)目中運(yùn)行。MaxCompute提供了面向Spark1.x、Spark2.x和Spark3.x發(fā)布包,下載路徑如下(本文采用Spark-2.4.5):
Spark-1.6.3:適用于Spark1.x應(yīng)用的開發(fā)。
Spark-2.3.0:適用于Spark2.x應(yīng)用的開發(fā)。
Spark-2.4.5:適用于Spark2.x應(yīng)用的開發(fā)。使用Spark-2.4.5的注意事項(xiàng)請參見Spark 2.4.5使用注意事項(xiàng)。
Spark-3.1.1:適用于Spark3.x應(yīng)用的開發(fā)。使用Spark-3.1.1的注意事項(xiàng)請參見Spark 3.1.1使用注意事項(xiàng)。
設(shè)置環(huán)境變量
您需要在Windows操作系統(tǒng)中單擊
配置如下環(huán)境變量信息,配置方法及信息如下。配置Java環(huán)境變量。
獲取Java安裝路徑。
編輯Java環(huán)境變量信息。
在系統(tǒng)變量中新增
JAVA_HOME
的變量,變量值輸入Java安裝路徑。系統(tǒng)變量
Path
中增加%JAVA_HOME%\bin
。
確認(rèn)Java已配置成功。
驗(yàn)證方式
通過鍵盤快捷鍵Win+R打開運(yùn)行對話框,輸入cmd,單擊確定。在命令運(yùn)行界面輸入
java -version
,若返回的結(jié)果符合預(yù)期,則Java配置成功。預(yù)期結(jié)果示例
java version "1.8.0_361" Java(TM) SE Runtime Environment (build 1.8.0_361-b09) Java HotSpot(TM) 64-Bit Server VM (build 25.361-b09, mixed mode)
配置Spark環(huán)境變量。
獲取Spark客戶端包解壓后的路徑。
編輯Spark環(huán)境變量信息。
新增
SPARK_HOME
系統(tǒng)變量,變量值中輸入Spark客戶端包解壓后的路徑。系統(tǒng)變量
Path
中增加%SPARK_HOME%\bin
。
配置Scala環(huán)境變量。
確認(rèn)Scala已配置成功。
驗(yàn)證方式
通過鍵盤快捷鍵Win+R打開運(yùn)行對話框,輸入cmd,單擊確定。在命令運(yùn)行界面輸入
scala
,若返回的結(jié)果符合預(yù)期,則Scala配置成功。預(yù)期結(jié)果示例
Welcome to Scala 2.13.10 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_361). Type in expressions for evaluation. Or try :help. scala>
配置Python環(huán)境變量。
獲取Python安裝路徑。
編輯Python環(huán)境變量信息。
在系統(tǒng)變量
Path
中增加Python和子目錄Scripts的安裝路徑。確認(rèn)Python已配置成功。
驗(yàn)證方式
通過鍵盤快捷鍵Win+R打開運(yùn)行對話框,輸入cmd,單擊確定。在命令運(yùn)行界面輸入
python --version
,若返回的結(jié)果符合預(yù)期,則Python配置成功。預(yù)期結(jié)果示例
Python 3.10.6
配置Maven環(huán)境變量。
獲取Maven包解壓后的路徑。
編輯Maven環(huán)境變量信息。
新增
MAVEN_HOME
系統(tǒng)變量,變量值中輸入Maven包解壓后的路徑。系統(tǒng)變量
Path
中增加%MAVEN_HOME%\bin
。
確認(rèn)Maven已配置成功。
驗(yàn)證方式
通過鍵盤快捷鍵Win+R打開運(yùn)行對話框,輸入cmd,單擊確定。在命令運(yùn)行界面輸入
mvn --version
,若返回的結(jié)果符合預(yù)期,則Maven配置成功。預(yù)期結(jié)果示例
# ***表示Maven包解壓后的部分路徑。 Apache Maven 3.8.7 (b89d5959fcde851dcb1c8946a785a163f14e1e29) Maven home: D:\***\apache-maven-3.8.7-bin\apache-maven-3.8.7 Java version: 1.8.0_361, vendor: Oracle Corporation, runtime: C:\Program Files\Java\jdk1.8.0_361\jre Default locale: zh_CN, platform encoding: GBK OS name: "windows 10", version: "10.0", arch: "amd64", family: "windows"
配置Git環(huán)境變量。
確認(rèn)Git已配置成功。
驗(yàn)證方式
通過鍵盤快捷鍵Win+R打開運(yùn)行對話框,輸入cmd,單擊確定。在命令運(yùn)行界面輸入
git --version
,若返回的結(jié)果符合預(yù)期,則Git配置成功。預(yù)期結(jié)果示例
git version 2.39.1.windows.1
配置spark_defaults.conf
第一次使用Spark on MaxCompute客戶端時(shí),請?jiān)赟park客戶端包的解壓路徑下,將conf文件夾下的spark-defaults.conf.template文件重命名為spark-defaults.conf后再進(jìn)行相關(guān)配置。如果spark-defaults.conf.template和spark-defaults.conf文件都存在,則不需要重命名操作,只需要配置spark-defaults.conf文件即可。代碼示例如下。
# 直接進(jìn)入到Spark客戶端包的解壓路徑,并進(jìn)入conf文件夾。請以實(shí)際路徑為準(zhǔn)。 # 打開spark-defaults.conf文件配置信息 # 在配置文件末尾添加如下配置信息。 spark.hadoop.odps.project.name = <MaxCompute_project_name> spark.hadoop.odps.access.id = <AccessKey_id> spark.hadoop.odps.access.key = <AccessKey_secret> spark.hadoop.odps.end.point = <Endpoint> # Spark客戶端連接訪問MaxCompute項(xiàng)目的Endpoint,您可以根據(jù)自己情況進(jìn)行修改。 # spark 2.3.0請將spark.sql.catalogImplementation設(shè)置為odps,spark 2.4.5請將spark.sql.catalogImplementation設(shè)置為hive。 spark.sql.catalogImplementation={odps|hive} # 如下參數(shù)配置保持不變 spark.hadoop.odps.task.major.version = cupid_v2 spark.hadoop.odps.cupid.container.image.enable = true spark.hadoop.odps.cupid.container.vm.engine.type = hyper spark.hadoop.odps.moye.trackurl.host = http://jobview.odps.aliyun.com
MaxCompute_project_name:待訪問MaxCompute項(xiàng)目的名稱。
此處為MaxCompute項(xiàng)目名稱,非工作空間名稱。您可以登錄MaxCompute控制臺,左上角切換地域后,在左側(cè)導(dǎo)航欄選擇工作區(qū) > 項(xiàng)目管理,查看具體的MaxCompute項(xiàng)目名稱。
AccessKey_id:具備目標(biāo)MaxCompute項(xiàng)目訪問權(quán)限的AccessKey ID。
您可以進(jìn)入AccessKey管理頁面獲取AccessKey ID。
AccessKey_secret:AccessKey ID對應(yīng)的AccessKey Secret。
您可以進(jìn)入AccessKey管理頁面獲取AccessKey Secret。
Endpoint:MaxCompute項(xiàng)目所屬區(qū)域的外網(wǎng)Endpoint。
各地域的外網(wǎng)Endpoint信息,請參見各地域Endpoint對照表(外網(wǎng)連接方式)。
VPC_endpoint:MaxCompute項(xiàng)目所屬區(qū)域的VPC網(wǎng)絡(luò)的Endpoint。
各地域的VPC網(wǎng)絡(luò)Endpoint信息,請參見各地域Endpoint對照表(阿里云VPC網(wǎng)絡(luò)連接方式)。
準(zhǔn)備項(xiàng)目工程
Spark on MaxCompute提供了項(xiàng)目工程模板,建議您下載模板復(fù)制后直接在模板里開發(fā)。
模板工程里的關(guān)于spark依賴的scope為provided,請不要更改,否則提交的作業(yè)無法正常運(yùn)行。
準(zhǔn)備項(xiàng)目工程示例如下:
下載Spark-1.x模板并編譯
#打開已經(jīng)下載好的git客戶端(Git Bash),進(jìn)入到需要下載項(xiàng)目工程的目錄,執(zhí)行 git clone https://github.com/aliyun/MaxCompute-Spark.git #進(jìn)入到工程文件夾中 cd MaxCompute-Spark/spark-1.x #編譯該工程包 mvn clean package
下載Spark-2.x 模板并編譯
#打開已經(jīng)下載好的git客戶端(Git Bash),進(jìn)入到需要下載項(xiàng)目工程的目錄,執(zhí)行 git clone https://github.com/aliyun/MaxCompute-Spark.git #進(jìn)入到工程文件夾中 cd MaxCompute-Spark/spark-2.x #編譯該工程包 mvn clean package
下載Spark-3.x 模板并編譯
#打開已經(jīng)下載好的git客戶端(Git Bash),進(jìn)入到需要下載項(xiàng)目工程的目錄,執(zhí)行 git clone https://github.com/aliyun/MaxCompute-Spark.git #進(jìn)入到工程文件夾中 cd MaxCompute-Spark/spark-3.x #編譯該工程包 mvn clean package
上述命令執(zhí)行完畢后,如果顯示創(chuàng)建失敗,說明環(huán)境配置有誤,請按照上述配置指導(dǎo)仔細(xì)檢查并修正環(huán)境配置信息。
配置依賴說明
在準(zhǔn)備的Spark on MaxCompute項(xiàng)目下,配置依賴信息。命令示例如下(您可在Git客戶端繼續(xù)執(zhí)行,也可直接打開該文件進(jìn)行修改)。
配置訪問MaxCompute表所需的依賴。
使用Spark-1.x模板場景
# 進(jìn)入spark-1.x文件夾。 cd MaxCompute-Spark/spark-1.x # 編輯Pom文件,添加odps-spark-datasource依賴。 <dependency> <groupId>com.aliyun.odps</groupId> <artifactId>odps-spark-datasource_2.10</artifactId> <version>3.3.8-public</version> </dependency>
使用Spark-2.x模板場景
# 進(jìn)入spark-2.x文件夾。 cd MaxCompute-Spark/spark-2.x # 編輯Pom文件,添加odps-spark-datasource依賴。 <dependency> <groupId>com.aliyun.odps</groupId> <artifactId>odps-spark-datasource_2.11</artifactId> <version>3.3.8-public</version> </dependency>
配置訪問OSS所需的依賴。
如果作業(yè)需要訪問OSS,直接添加以下依賴即可。
<dependency> <groupId>com.aliyun.odps</groupId> <artifactId>hadoop-fs-oss</artifactId> <version>3.3.8-public</version> </dependency>
更多Spark-1.x、Spark-2.x以及Spark-3.x的依賴配置信息,請參見Spark-1.x pom文件、Spark-2.x pom文件和Spark-3.x pom文件。
冒煙測試
完成以上的工作之后,執(zhí)行冒煙測試,驗(yàn)證Spark on MaxCompute是否可以端到端連通。
SparkPi冒煙測試
以Spark-2.x為例,您可以提交一個(gè)SparkPi驗(yàn)證功能是否正常,提交命令如下。
# 通過鍵盤快捷鍵Win+R打開運(yùn)行對話框,輸入cmd。
# 進(jìn)入到需要執(zhí)行作業(yè)的D:\PC\spark\spark-2.4.5-odps0.33.2\bin目錄下。
cd D:\PC\spark\spark-2.4.5-odps0.33.2\bin
#輸入如下命令。
spark-submit \
--class com.aliyun.odps.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
/path/to/your/spark-examples_2.11-1.0.0-SNAPSHOT-shaded.jar
# 當(dāng)看到以下日志表明冒煙作業(yè)成功。
19/06/11 11:57:30 INFO Client:
client token: N/A
diagnostics: N/A
ApplicationMaster host: 11.222.166.90
ApplicationMaster RPC port: 38965
queue: queue
start time: 1560225401092
final status: SUCCEEDED
IDEA本地冒煙測試
在IDEA中打開已下載的項(xiàng)目工程代碼,并手動將Spark on MaxCompute客戶端下的
Jars
目錄添加至IDEA項(xiàng)目工程中,詳情請參見IDEA本地執(zhí)行注意事項(xiàng)。在本地IDEA中添加如下代碼,進(jìn)行調(diào)試。
val spark = SparkSession .builder() .appName("SparkPi") .config("spark.master", "local[4]") // 需要設(shè)置spark.master為local[N]才能直接運(yùn)行,N為并發(fā)數(shù)。 .getOrCreate()
Local不能直接引用spark-defaults.conf里的配置,需要手動指定相關(guān)配置,即在
main
下創(chuàng)建resource
>odps.conf
目錄,并在odps.conf
中指定相關(guān)配置。配置示例如下:說明Spark 2.4.5及以上版本需要在
odps.conf
中指定配置項(xiàng)。dops.access.id="" odps.access.key="" odps.end.point="" odps.project.name=""
Spark 2.4.5使用注意事項(xiàng)
使用Spark 2.4.5提交作業(yè)
直接使用Yarn-cluster模式在本地提交任務(wù)。詳情請參見Cluster模式。
Spark 2.4.5使用變化
如果使用Yarn-cluster模式在本地提交任務(wù),需要新增環(huán)境變量
HADOOP_CONF_DIR=$SPARK_HOME/conf
。如果使用Local模式進(jìn)行調(diào)試,需要在
$SPARK_HOME/conf
目錄下新建odps.conf文件,并添加如下配置。odps.project.name = odps.access.id = odps.access.key = odps.end.point =
Spark 2.4.5參數(shù)配置變化
spark.sql.catalogImplementation
配置為hive
。spark.sql.sources.default
配置為hive
。spark.sql.odps.columnarReaderBatchSize
,向量化讀每個(gè)batch包含的行數(shù),默認(rèn)值為4096。spark.sql.odps.enableVectorizedReader
,開啟向量化讀,默認(rèn)值為True。spark.sql.odps.enableVectorizedWriter
,開啟向量化寫,默認(rèn)值為True。spark.sql.odps.split.size
,該配置可以用來調(diào)節(jié)讀MaxCompute表的并發(fā)度,默認(rèn)每個(gè)分區(qū)為256 MB。
Spark 3.1.1使用注意事項(xiàng)
使用Spark 3.1.1提交作業(yè)
直接使用Yarn-cluster模式在本地提交任務(wù)。詳情請參見Cluster模式。
Spark 3.1.1使用變化
如果使用Yarn-cluster模式在本地提交任務(wù),需要新增環(huán)境變量
HADOOP_CONF_DIR=$SPARK_HOME/conf
。如果使用Yarn-cluster模式提交PySpark作業(yè),需要在spark-defaults.conf配置文件添加以下參數(shù)使用Python3。
spark.hadoop.odps.cupid.resources = public.python-3.7.9-ucs4.tar.gz spark.pyspark.python = ./public.python-3.7.9-ucs4.tar.gz/python-3.7.9-ucs4/bin/python3
如果使用Local模式進(jìn)行調(diào)試:
需要在
$SPARK_HOME/conf
目錄下新建odps.conf文件,并添加如下配置。odps.project.name = odps.access.id = odps.access.key = odps.end.point =
需要在代碼中添加
spark.hadoop.fs.defaultFS = file:///
,示例如下。val spark = SparkSession .builder() .config("spark.hadoop.fs.defaultFS", "file:///") .enableHiveSupport() .getOrCreate()
Spark 3.1.1參數(shù)配置變化
spark.sql.defaultCatalog
配置為odps
。spark.sql.catalog.odps
配置為org.apache.spark.sql.execution.datasources.v2.odps.OdpsTableCatalog
。spark.sql.sources.partitionOverwriteMode
配置為dynamic
。spark.sql.extensions
配置為org.apache.spark.sql.execution.datasources.v2.odps.extension.OdpsExtensions
。spark.sql.odps.enableVectorizedReader
,開啟向量化讀,默認(rèn)值為True。spark.sql.odps.enableVectorizedWriter
,開啟向量化寫,默認(rèn)值為True。spark.sql.catalog.odps.splitSizeInMB
,該配置可以用來調(diào)節(jié)讀MaxCompute表的并發(fā)度,默認(rèn)每個(gè)分區(qū)為256 MB。