Intellij IDEA编写Spark应用程序的环境配置和操作步骤

本文介绍如何在win系统中使用IDEA开发spark应用程序，并将其打成jar包上传到虚拟机中的三个Ubuntu系统，然后在分布式环境中运行。

主要步骤包括：

• 安装Scala插件：在Intellij IDEA中安装Scala插件，并重启IDEA。
• 创建Maven项目：在Intellij IDEA中创建一个Maven项目，选择Scala语言，并添加Spark和HBase依赖。
• 配置Scala SDK：在Intellij IDEA中添加Scala SDK，并给项目添加Scala支持。
• 编写Spark应用程序：在src/main/scala目录下创建一个Scala对象，并编写Spark代码。
• 打包和运行Spark项目：在本地模式下测试Spark应用程序，打包成jar包，上传到虚拟机中的master节点，使用spark-submit命令提交到集群。

 基础环境

 首先确保已经在虚拟机中安装配置好Hadoop，HBase和Spark，并且可以正常运行。本文假设已经按照之前文章的步骤搭建了一个三节点的Hadoop集群，其中scala版本为2.12，hbase版本为2.3.7，spark版本为3.2.3，hadoop版本为3.2.4

一、安装Scala插件

• 在Intellij IDEA中，选择File->Settings->Plugins，在Marketplace中搜索scala进行安装，安装后根据提示重启IDEA。

二、创建Maven项目

• 在Intellij IDEA中，选择File->New->Project，选择Maven作为项目类型，填写项目名称和位置。
• 在pom.xml文件中添加Spark和HBase相关的依赖，注意要与虚拟机中的Spark版本和Scala版本保持一致。本文使用的是Spark 3.2.3和Scala 2.12。例如：

    4.0.0

    org.example
    sparkhbase
    1.0-SNAPSHOT

    
        8
        8

        2.3.7
        3.2.4
        3.2.3
        2.12
        UTF-8
    


    

        
            org.apache.spark
            spark-core_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-streaming_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-sql_${scala.version}
            ${spark.version}
        
        
            org.apache.spark
            spark-hive_${scala.version}
            ${spark.version}
        

        
            org.apache.hadoop
            hadoop-client
            ${hadoop.version}
        

        
            org.apache.hadoop
            hadoop-common
            ${hadoop.version}
        

        
            org.apache.hadoop
            hadoop-hdfs
            ${hadoop.version}
        

        
            org.apache.hbase
            hbase-client
            ${hbase.version}
        

        
            org.apache.hbase
            hbase-server
            ${hbase.version}
        

        
            org.apache.hbase
            hbase-mapreduce
            ${hbase.version}
        

        
            org.apache.hbase
            hbase-common
            ${hbase.version}
        

        
            org.apache.hbase
            hbase
            ${hbase.version}
            pom
        

        
            org.apache.spark
            spark-mllib_${scala.version}
            ${spark.version}
        

    

三、配置Scala SDK

• 在Intellij IDEA中，选择File->Project Structure->Global Libraries，添加Scala SDK，选择本地安装的Scala版本。
• 在项目中右键选择Add Framework Support，在弹出的对话框中勾选Scala，并选择对应的SDK。

四、编写Spark应用程序

• 在src/main/scala目录下创建一个包，例如com.spark.example，并在该包下创建一个Scala对象，例如WordCountFromHBase。编写Spark应用程序的代码，例如：

import org.apache.hadoop.hbase.{HBaseConfiguration, TableName}
import org.apache.hadoop.hbase.client.{Connection, ConnectionFactory, Scan}
import org.apache.hadoop.hbase.mapreduce.TableInputFormat
import org.apache.hadoop.hbase.util.Bytes
import org.apache.spark.{SparkConf, SparkContext}

object WordCountFromHBase {
  def main(args: Array[String]): Unit = {
    //创建Spark配置对象
    val conf = new SparkConf().setAppName("WordCountFromHBase").setMaster("local")
    //创建Spark上下文对象
    val sc = new SparkContext(conf)
    //创建HBase配置对象
    val hbaseConf = HBaseConfiguration.create()
    //设置HBase的Zookeeper地址
    hbaseConf.set("hbase.zookeeper.quorum", "hadoop100:2181,hadoop200:2181,hadoop201:2181")
    //设置HBase的Zookeeper端口
    hbaseConf.set("hbase.zookeeper.property.clientPort", "2181")
    //设置要读取的HBase表名，提前通过hbase shell创建
    val tableName = "testtable"
    hbaseConf.set(TableInputFormat.INPUT_TABLE, tableName)
    //创建HBase连接对象
    val connection: Connection = ConnectionFactory.createConnection(hbaseConf)
    //获取HBase表对象
    val table = connection.getTable(TableName.valueOf(tableName))
    //创建一个扫描对象，指定要读取的列族和列名
    val scan = new Scan()
    scan.addColumn(Bytes.toBytes("f"), Bytes.toBytes("word"))
    //将扫描对象转换为字符串，设置到HBase配置对象中
    hbaseConf.set(TableInputFormat.SCAN, TableMapReduceUtil.convertScanToString(scan))
    //从HBase中读取数据，返回一个RDD
    val hbaseRDD = sc.newAPIHadoopRDD(hbaseConf, classOf[TableInputFormat], classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable], classOf[org.apache.hadoop.hbase.client.Result])
    //对RDD进行单词统计
    val wordCount = hbaseRDD.map(tuple => {
      //获取Result对象
      val result = tuple._2
      //获取word列的值，转换为字符串
      val word = Bytes.toString(result.getValue(Bytes.toBytes("f"), Bytes.toBytes("word")))
      //返回(word, 1)的元组
      (word, 1)
    }).reduceByKey((a, b) => a + b)
    //打印结果
    wordCount.foreach(println)
    //关闭Spark上下文和HBase连接
    sc.stop()
    connection.close()
  }
}

五、打包和运行Spark项目

• 在Intellij IDEA中右键运行WordCountFromHBase对象，可以在本地模式下测试Spark应用程序是否正确。如果没有问题，可以进行打包操作。
• 在Intellij IDEA中打开Maven工具栏，双击lifecycle下的package命令，将项目打成jar包。打包完成后的jar包在target目录下，例如spark-example-1.0-SNAPSHOT.jar。
• 将jar包上传到虚拟机中的hadoop100主节点，userjar/目录。

• 在master节点上使用spark-submit命令提交Spark应用程序到集群，指定jar包路径和主类名。例如：

spark-submit --class com.spark.example.WordCountFromHBase spark-example-1.0-SNAPSHOT.jar

• 查看Spark应用程序的运行结果，可以在终端中输出，也可以在Spark Web UI中查看。

打包方式二： 

File->Project Structure->artifacts->点击加号->JAR->from model->点击Main Class选项框后的文件夹->点击Projet->选择main方法->点击ok

仅保留类似红框中函数名的程序包，去掉多余依赖，打成比较小的jar包，需要linux中的软件环境与依赖版本相同才能运行

 

之后Build->Build artifacts->选中项目点击build即可