云计算实验2 Spark分布式内存计算框架配置及编程案例

一、 实验目的

掌握分布式多节点计算平台Spark配置，Spark编程环境IDEA配置，示例程序启动与运行

二、 实验环境

Linux的虚拟机环境、线上操作视频和实验指导手册

三、 实验任务

完成Spark开发环境安装、熟悉基本功能和编程方法。

四、 实验步骤

请按照线上操作视频和实验指导手册 ，完成以下实验内容：

• 实验2-1 Spark安装部署：Standalone模式

  (1)在Hadoop平台上配置Spark主节点和从节点
  (2)启动Spark集群和网页操作界面
  

• 实验2-2 Spark编程工具：使用IDEA

  (1)安装IDEA集成编译环境
  (2)安装Scala插件
  (3)配置IDEA集成编译环境
  

• 实验2-3 Spark单词计数示例程序运行

  (1)使用IDEA新建Spark项目
  (2)使用Scala示例代码编写单词计数程序
  (3)配置程序参数，编译并运行Spark单词计数程序
  

五、 实验作业

1. 提交实验报告电子稿和纸质稿，内容包括安装步骤及主要配置方法说明，关键步骤截图，并对截图内容进行解释说明；
2. 个人对实验的总结和心得，本实验具有一定难度和繁琐程度，请总结与撰写自身遇到的问题，以及解决问题的过程，该内容为每位同学实际经历，不要雷同。
3. 搜索互联网并回答问题：谈谈大数据技术使用后，企业获取用户隐私信息的变化，以及未来如何保护用户隐私？（回答需大于500字)

六、 实验结果与分析

1、安装步骤及主要配置方法说明

1. 实验2-1 Spark安装部署：Standalone模式

(1)在Hadoop平台上配置Spark主节点和从节点
编写安装配置脚本，我认为重复的工作没有必要浪费过多时间，在上一个实验中我提出了这样的想法。
1、Spark-master.sh 配置主机

#! /bin/sh
#run as zkpk@master
#configure spark on master
#Install
tar -zxvf /home/zkpk/tgz/spark/spark-2.1.1-bin-hadoop2.7.tgz -C /home/zkpk

#environment

echo 'export SPARK_HOME=/home/zkpk/spark-2.1.1-bin-hadoop2.7export ' >> /home/zkpk/.bash_profile
echo 'PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH' >> /home/zkpk/.bash_profile
source ~/.bash_profile

#copy bash to slave
scp /home/zkpk/.bash_profile slave01:/home/zkpk
scp /home/zkpk/.bash_profile slave02:/home/zkpk

#rename
cd spark-2.1.1-bin-hadoop2.7/conf/
mv slaves.template slaves

#change hostname
echo 'slave01' > slaves
echo 'slave02' >> slaves

mv spark-env.sh.template spark-env.sh

#spark-env.sh
echo 'export SPARK_MASTER_HOST=master #设置运行master进程的节点' >> spark-env.sh
echo 'export SPARK_MASTER_PORT=7077 #设置master的通信端口' >> spark-env.sh
echo 'export SPARK_WORKER_CORES=1 #每个worker使用的核数' >> spark-env.sh
echo 'export SPARK_WORKER_MEMORY=1024M #每个worker使用的内存大小' >> spark-env.sh
echo 'export SPARK_MASTER_WEBUI_PORT=8080 #master的webui端口' >> spark-env.sh
echo 'export SPARK_CONF_DIR=/home/zkpk/spark-2.1.1-bin-hadoop2.7/conf #spark的配置文件目录' >> spark-env.sh
echo 'export JAVA_HOME=/usr/java/jdk1.8.0_131/ #jdk安装路径' >> spark-env.sh

cd
scp -r spark-2.1.1-bin-hadoop2.7/ zkpk@slave01:/home/zkpk
scp -r spark-2.1.1-bin-hadoop2.7/ zkpk@slave02:/home/zkpk

2、Spark-slave.sh 配置从机

#! /bin/sh

#configure spark on slave

#Install
tar -zxvf /home/zkpk/tgz/spark/spark-2.1.1-bin-hadoop2.7.tgz -C /home/zkpk

#environment

echo 'export SPARK_HOME=/home/zkpk/spark-2.1.1-bin-hadoop2.7export ' >> /home/zkpk/.bash_profile
echo 'PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH' >> /home/zkpk/.bash_profile
source ~/.bash_profile

安装配置仅需运行脚本即可

注意：在执行脚本前需要使脚本具有执行权限（例如对于spark-master.sh,需要 chmod +x ./spark-master.sh）

(2)启动Spark集群和网页操作界面
验证spark standalone模式部署正确
访问spark webui界面地址

命令行提交job到spark集群，计算PI

2. 实验2-2 Spark编程工具：使用IDEA

(1)安装IDEA集成编译环境
(2)安装Scala插件
(3)配置IDEA集成编译环境

1、 保证java已经安装正确版本

如果未安装，可使用此脚本（java.sh）安装

#! /bin/sh

# config java in all machines
# must with sudo

# remove original java version
yum remove java-1.*
mkdir /usr/java

# install
tar -xzvf /home/zkpk/tgz/jdk-8u131-linux-x64.tar.gz -C /usr/java

# java environment
echo 'export JAVA_HOME=/usr/java/jdk1.8.0_131/' >> /home/zkpk/.bash_profile
echo 'export PATH=$JAVA_HOME/bin:$PATH' >> /home/zkpk/.bash_profile

source /home/zkpk/.bash_profile

2、编写脚本配置scala和安装idea
编写脚本

#! /bin/sh
#run as zkpk@master
#configure scala and install idea

#configure scala
echo "=====start to install scala====="
tar -xzvf ./tgz/spark/scala-2.11.11.tgz -C /home/zkpk
echo 'export SCALA_HOME=/home/zkpk/scala-2.11.11' >> /home/zkpk/.bash_profile
echo 'export PATH=$SCALA_HOME/bin:$PATH' >> /home/zkpk/.bash_profile
source /home/zkpk/.bash_profile

echo "=====scala installed successfully====="

echo "=====start to install IDEA====="
tar xvzf /home/zkpk/tgz/spark/ideaIC-2017.2.7.tar.gz -C /home/zkpk/

cp /home/zkpk/tgz/spark/scala-intellij-bin-2017.2.7.zip  /home/zkpk/idea-IC-172.4574.19/plugins/

echo "=====IDEA installed successfully====="
echo "=====please start IDEA by youself====="

运行脚本

3、验证scala是否安装成功

4、启动idea

5、配置scala plugin

3. 实验2-3 Spark单词计数示例程序运行

(1)使用IDEA新建Spark项目
(2)使用Scala示例代码编写单词计数程序
(3)配置程序参数，编译并运行Spark单词计数程序

1、启动hadoop集群

2、 打开IDEA，配置软件包依赖

创建工程成功

仅展示部分配置截图
3、 配置pom

4、 配置JavaComplier

5、 编写Scala程序完成Spark单词计数

6、 运行测试

查看HDFS输出

2、实验的总结和心得

本次实验主要是完成spark的安装配置和利用spark技术完成单词计数程序，旨在通过安装配置过程来体会spark技术，spark是一种用于大数据工作负载的分布式开源处理系统，它支持很多语言，例如Java，Python，Scala等，在本次实验中我们使用的Scala。一项技术的诞生必然是为了解决现有的问题， Hadoop MapReduce处理数据时存在大量的磁盘读取和写入，频繁的磁盘读取造成MapReduce作业很慢，而spark的出现就是为了解决这个问题。Spark实现方法是将数据读取到内存中，内存的读写速度将远快于磁盘，与此相似的是Redis缓存模型，Redis利用内存读写速度快于磁盘，将用户常用的数据存储于内存中，加速读取，优化用户体验。

实验总结

• 针对重复任务，编写脚本完成
• 导包配置需要细心
• 利用spark可以感受出速度较只使用hadoop有一定提升

3、谈大数据技术使用后，企业获取用户隐私信息的变化，以及未来如何保护用户隐私？

随着智慧城市、智慧交通、智能家居、智能电网、智慧医疗、在线社交网络、Web 3.0等数字化技术的发展，人们的衣食住行、健康医疗等信息被数字化，可以随时随地通过海量的传感器、智能处理设备等终端进行收集和使用，实现物与物、物与人、人与人等之间在任何时候、任何地点的有效连接，也促成了大数据时代的到来。
为了从大数据中获益，数据持有方有时需要公开发布己方数据，这些数据通常会包含一定的用户信息，服务方在数据发布之前需要对数据进行处理，使用户隐私免遭泄露。此时，确保用户隐私信息不被恶意的第三方获取是极为重要的。一般的，用户更希望攻击者无法从数据中识别出自身，更不用说窃取自身的隐私信息，匿名技术就是这种思想的实现之一。
为了防御链接攻击，常见的静态匿名技术有k-匿名、l-diversity匿名、t-closeness匿名以及以它们的相关变形为代表的匿名策略。随着研究的进步，这些匿名策略的效果逐步提高。但是这些匿名策略以信息损失为代价，不利于数据挖掘与分析。为此，研究者随即提出了个性化匿名、带权重的匿名等一系列匿名策略。相对于对所有记录执行相同的匿名保护，这类匿名策略给予每条数据记录以不同程度的匿名保护，减少了非必要的信息损失。
大数据存储给隐私保护带来了新的挑战，主要包括：大数据中更多的隐私信息存储在不可信的第三方中，极易被不可信的存储管理者偷窥；大数据存储的难度增大，存储方有可能无意或有意地丢失数据或篡改数据，从而使得大数据的完整性得不到保证。为解决上述挑战，应用的技术主要包括加密存储和第三方审计技术等。包括大数据加密存储技术、大数据加密存储技术。