apache spark 前几年在学术界是非常火的,最近几年可能不是那么火了,因为能研究的问题似乎都已经被研究的差不多了,最近都开始研究新的分布式框架了。本文就介绍一下如何在 ubuntu 20.04 Linux 操作系统上安装 Apache Spark 教程,包括安装 Java、安装 Apache Spark、以及通过 Apache Spark Web 界面访问的教程。Apache Spark 是一个用于大规模数据处理的开源、通用、多语言分析引擎。通过利用集群中的 RAM 对大量数据执行快速数据查询,它可以在单个和多个节点上工作。它提供批处理数据处理和实时流式传输,并支持 Python、SQL、Scala、Java 或 R 等语言的高级 API。该框架提供内存技术,使其能够将查询和数据直接存储在集群节点的主存储器。
一、安装 Java
更新系统包:
$ sudo apt update
安装 Java:
$ sudo apt install default-jdk -y
确认 Java 安装:
$ java -version
二、安装 Apache Spark
安装必要的包:
$ sudo apt install curl mlocate git scala -y
下载 Apache Spark,最新版可以在这里下载:https://spark.apache.org/downloads.html
$ curl -O https://archive.apache.org/dist/spark/spark-3.2.0/spark-3.2.0-bin-hadoop3.2.tgz
解压 Spark 安装包:
$ sudo tar xvf spark-3.2.0-bin-hadoop3.2.tgz
创建安装目录:
$ sudo mkdir /opt/spark
移动文件到安装目录:
$ sudo mv spark-3.2.0-bin-hadoop3.2/* /opt/spark
修改目录权限:
$ sudo chmod -R 777 /opt/spark
编辑 bashrc 配置文件,将 Apache Spark 安装目录添加到系统路径:
$ sudo nano ~/.bashrc
将下面两行代码添加到文件最后:
export SPARK_HOME=/opt/spark
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
保存文件并使之生效:
$ source ~/.bashrc
启动独立主服务器:
$ start-master.sh
通过访问 http://ServerIPaddress:8080 从仪表板中查找您的服务器主机名。它可能看起来像这样:
URL: spark://my-server-development:7077
启动 Apache Spark 工作进程。使用您的服务器主机名更改 spark://ubuntu:7077。
$ start-slave.sh spark://ubuntu:7077
三、访问 Apache Spark Web 界面
转到浏览器地址栏以访问 Web 界面并输入 http://ServerIPaddress:8080 以访问 Web 安装向导。例如:
http://192.0.2.10:8080
至此,您已在服务器上安装了 Apache Spark。您现在可以访问主仪表板,开始管理您的集群。
搬瓦工VPS套餐
搬瓦工美国CN2 GIA/日本软银
最高10Gbps带宽,可选:美国cn2 gia、日本软银,企业级高端网络带宽。VPS基于KVM虚拟,SSD raid10阵列,自带一个IPv4,免费支持snapshot快照功能(可以导入、导出)和Backup(备份功能),可以一键更换IP、一键切换机房。