在windows上使用eclipse提交Spark任务到Spark平台上

在windows上使用eclipse提交Spark任务到Spark平台上

平台环境：

• 本地win7系统
• 本地spark和集群spark都是2.0.0
• eclipse（luna）

运行模式：

• local
• Spark Standalone
• YARN

---

程序代码如下：

package sparkproject1;

import scala.Tuple2;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.sql.SparkSession;

import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
import java.util.regex.Pattern;

public final class wordcount {
  private static final Pattern SPACE = Pattern.compile(" ");

  public static void main(String[] args) throws Exception {
    SparkConf conf = new SparkConf().setAppName("JavaWordCount").setMaster("spark://**.**.*.*:7077");
    JavaSparkContext sc = new JavaSparkContext(conf);
    sc.addJar("F:\\大数据\\jar包\\wordcount.jar");

    JavaRDD lines = sc.textFile("hdfs://****:9000/input/input.txt");

    JavaRDD words = lines.flatMap(new FlatMapFunction() {
      @Override
      public Iterator call(String s) {
        return Arrays.asList(SPACE.split(s)).iterator();
      }
    });

    JavaPairRDD ones = words.mapToPair(
      new PairFunction() {
        @Override
        public Tuple2 call(String s) {
          return new Tuple2<>(s, 1);
        }
      });

    JavaPairRDD counts = ones.reduceByKey(
      new Function2() {
        @Override
        public Integer call(Integer i1, Integer i2) {
          return i1 + i2;
        }
      });

    List> output = counts.collect();
    for (Tuple2 tuple : output) {
      System.out.println(tuple._1() + ": " + tuple._2());
    }
  }
}

local模式

local模式只需要将程序中的setMaster(“local”)就可以了，一般不会出现什么问题。

Spark Standalone模式

在没有加sc.addJar(“F:\大数据\jar包\wordcount.jar”);这条语句之前报如下错误：

ava.lang.ClassCastException: cannot assign instance of scala.collection.immutable.List$SerializationProxy to field 

org.apache.spark.rdd.RDD.org$apache$spark$rdd$RDD$$dependencies_ of type scala.collection.Seq in instance of 

org.apache.spark.rdd.MapPartitionsRDD

设置之后，所有工作节点报错：

java.lang.RuntimeException: Stream '/jars/wordcount.jar' was not found.

显然是因为jar包未能传给工作节点，将生成的jar包放在上面路径中，运行成功。

YARN模式

修改的代码如下：

SparkConf conf = new SparkConf().setAppName("JavaWordCount").setMaster("yarn-client");
conf.set("spark.yarn.dist.files", "src\\yarn-site.xml");

将core-site.xml、hdfs-site.xml、yarn-site.xml三个文件放在项目src文件夹下，这三个文件从hadoop集群配置文件夹中复制下来，直接run java application就可以了。
有些教程还会有如下代码：

sparkConf.set("spark.yarn.jar", "hdfs://192.168.0.1:9000/user/bigdatagfts/spark-assembly-1.5.2-hadoop2.6.0.jar");

设置spark jar包地址，我并没有设置，但是日志显示，也会有jar包的上传过程。具体原理还不是很清楚，为什么需要上传这样的jar包。上面设置的yarn-client，如果你的电脑是在集群里面的，应该是设置为yarn-cluster的。