How to set up a sparklyr cluster in 5 minutes

如果您曾经想要使用Sparklyr软件包在R群集中使用Spark集群来处理大数据集，但还没有开始，因为设置Spark集群太难了，好吧......很容易。您可以使用Azure上的指南SparklyR和AZTK在大约5分钟内启动并运行 ，您甚至不需要自己安装任何东西。我将总结以下步骤，但基本上您将运行命令行实用程序以在Azure中启动集群，其中包含您已安装的所有内容，然后使用浏览器连接到RStudio Server以使用sparklyr分析数据。

image.png

步骤1：安装Azure分布式数据工程工具包 （aztk）。为此，您需要安装Python 3的Unix命令行。我在Windows上，所以我使用了Windows子系统Linux的bash shell，效果很好。（我只需要使用pip3而不是pip安装，因为默认情况下有Python 2.）相同的进程应该可以与其他Linux发行版或Mac终端一起使用。

步骤2：使用Azure订阅登录Azure门户。如果您没有Azure订阅，则可以免费注册并获得200美元的Azure积分。

步骤3：返回命令行，在secrets.yaml文件中设置身份验证。您将使用Azure门户来检索必要的密钥，如果您还没有Azure帐户，则需要创建一个Azure Batch帐户。（批处理是Azure中的HPC群集和作业管理服务。）您可以在aztk文档中找到分步详细信息。

步骤4： 在cluster.yaml文件中配置群集默认值。您可以在此处定义用于群集节点的默认VM实例大小 ; 例如， vm_size: standard_a2为您提供基本的2核节点。（你可以在命令行中覆盖它，但是在这里设置它很方便。）你还需要在这里指定一个用于设置节点图像的dockerfile，并且要与sparklyr一起使用，你需要指定一个包含R和您想要的Spark版本。我用了：

这提供了Spark 2.2.0，R 3.4.1和预装的一套R软件包的图像，包括sparklyr和tidyverse。（如果需要在节点上安装其他东西，可以在这里提供自己的dockerfile。）

docker_repo：aztk / r-base：spark2.2.0-r3.4.1-base

第5步：保护Spark集群。这很容易：只需使用这样的命令行工具：

aztk spark cluster create --id mysparklyr4 --size 4

在这种情况下，它将启动一个包含4个节点的集群，每个节点有2个核心（在vm_size上面配置选项之前。）每个节点都将预先安装R和（警告：Azure批处理的默认配额低得可笑：对我来说一开始它总共有24个核心。你可以很容易地获得你的限制，但可能需要一天时间才能获得批准。）配置集群大约需要5分钟; 等待时，您可以通过单击Azure门户中Azure批处理帐户的“池”部分中的群集名称来检查进度。

image.png

一旦准备好，您还需要为头节点提供密码，除非您在secrets.yaml文件中设置了ssh密钥。

步骤6：连接到Spark群集的头节点。通常你需要先找到IP地址，但是aztk可以通过ssh命令轻松找到它：

aztk spark cluster ssh --id mysparklyr4

（如果你在步骤5中设置了密码，你需要在这里提供一个密码。）这会在头节点上给你一个shell，但更重要的是它映射了Spark和RStudio服务器的端口，这样你就可以连接到他们http://localhost在下一步中使用URL。在完成后续步骤之前，请不要退出此shell，否则将取消端口映射。

第7步：连接到RStudio Server

在桌面上打开浏览器窗口，然后浏览到http://localhost:8787。这将在您的浏览器中打开RStudio Server。（默认登录名为rstudio / rstudio。）为了清楚起见，RStudio Server在Azure Batch的群集的头节点上运行，而不是在本地计算机上运行：上一步的端口映射是将本地端口8787重定向到远程集群。

从这里开始，您可以像往常一样使用RStudio。特别是，已经安装了sparklyr软件包，因此您可以直接连接到Spark集群，并使用RStudio Server的内置功能来处理Spark。

image.png

一个有关使用RStudio服务器的好处之一是，你可以关闭浏览器，甚至你的机器，并RStudio服务器将保持其状态，使用户可以准确地拿起你下次登录时离开。（只需使用 aztk spark cluster ssh到如有必要，首先重新应用端口映射。）

步骤8：完成后，使用该aztk spark cluster delete命令关闭群集 。（虽然您可以从Azure门户的“池”视图中删除节点，但该命令会为您执行一些额外的清理。）只要群集已配置，您将按照通常的VM速率为群集中的每个节点付费。（一种节省成本的选择是为节点使用低优先级VM，与通常的速率相比节省高达90％。）

而已！一旦你习惯它，它就快速而简单 - 最长的部分是等待集群在第5步中启动。这只是一个摘要，但完整的细节请参见Azure上的指南 SparklyR和AZTK。