Skip to content

Spark 解释器

原文链接 : http://zeppelin.apache.org/docs/0.7.2/interpreter/spark.html

译文链接 : https://www.apachecn.org/pages/viewpage.action?pageId=10030923

贡献者 : 片刻 ApacheCN Apache中文网

概述

Apache Spark是一种快速和通用的集群计算系统。它提供Java，Scala，Python和R中的高级API，以及支持一般执行图的优化引擎。Zeppelin支持Apache Spark，Spark解释器组由5个解释器组成。

名称 类 描述
％spark SparkInterpreter 创建一个SparkContext并提供Scala环境
％spark.pyspark PySparkInterpreter 提供Python环境
％spark.r SparkRInterpreter 提供具有SparkR支持的R环境
％spark.sql SparkSQLInterpreter 提供SQL环境
％spark.dep DepInterpreter 依赖加载器

 

配置

Spark解释器可以配置为由Zeppelin提供的属性。您还可以设置表中未列出的其他Spark属性。有关其他属性的列表，请参阅Spark可用属性。

属性 默认 描述
ARGS   Spark命令行参考
master local[*] Spark master uri.
例如：spark://masterhost:7077
spark.app.name Zeppelin Spark应用的名称。
spark.cores.max   要使用的核心总数。
空值使用所有可用的核心。
spark.executor.memory 1g 每个worker实例的执行程序内存。
ex）512m，32g
zeppelin.dep.additionalRemoteRepository spark-packages, 
http://dl.bintray.com/spark-packages/maven, 
false;  id,remote-repository-URL,is-snapshot;
每个远程存储库的列表。
zeppelin.dep.localrepo local-repo 依赖加载器的本地存储库
zeppelin.pyspark.python python Python命令来运行pyspark
zeppelin.spark.concurrentSQL python 如果设置为true，则同时执行多个SQL。
zeppelin.spark.maxResult 1000 要显示的Spark SQL结果的最大数量。
zeppelin.spark.printREPLOutput true 打印REPL输出
zeppelin.spark.useHiveContext true 如果它是真的，使用HiveContext而不是SQLContext。
zeppelin.spark.importImplicit true 导入含义，UDF集合和sql如果设置为true。

没有任何配置，Spark解释器在本地模式下开箱即用。但是，如果要连接到Spark群集，则需要按照以下两个简单步骤进行操作。

1.导出SPARK_HOME

在conf/zeppelin-env.sh，导出SPARK_HOME环境变量与您的Spark安装路径。

例如，

export SPARK_HOME=/usr/lib/spark 

您可以选择设置更多的环境变量

# set hadoop conf dir
export HADOOP_CONF_DIR=/usr/lib/hadoop 

# set options to pass spark-submit command
export SPARK_SUBMIT_OPTIONS="--packages com.databricks:spark-csv_2.10:1.2.0" 

# extra classpath. e.g. set classpath for hive-site.xml
export ZEPPELIN_INTP_CLASSPATH_OVERRIDES=/etc/hive/conf 

对于Windows，确保你winutils.exe在%HADOOP_HOME%\bin。有关详细信息，请参阅在Windows上运行Hadoop的问题。

2.在“解释器”菜单中设置主机

启动Zeppelin后，转到解释器菜单并在Spark解释器设置中编辑主属性。该值可能因您的Spark群集部署类型而异。

例如，

  • local[*]  本地模式
  • spark://master:7077 standalone 集群模式
  • yarn-client Yarn 客户端模式
  • mesos://host:5050 Mesos 集群模式

而已。Zeppelin将使用任何版本的Spark和任何部署类型，而不用这种方式重建Zeppelin。有关Spark＆Zeppelin版本兼容性的更多信息，请参阅Zeppelin下载页面中的“可用的口译员”部分。

请注意，不导出SPARK_HOME，它以本地模式运行，包含版本的Spark。附带的版本可能因构建配置文件而异。

SparkContext，SQLContext，SparkSession，ZeppelinContext

SparkContext，SQLContext和ZeppelinContext会自动创建并显示为变量名sc，sqlContext并z分别在Scala，Python和R环境中公开。从0.6.1起，spark当您使用Spark 2.x时，SparkSession可以作为变量使用。

请注意，Scala / Python / R环境共享相同的SparkContext，SQLContext和ZeppelinContext实例。

依赖管理

在Spark解释器中加载外部库有两种方法。首先是使用解释器设置菜单，其次是加载Spark属性。

1.通过解释器设置设置依赖关系

有关详细信息，请参阅解释器依赖管理。

2.加载Spark属性

一旦SPARK_HOME被设置conf/zeppelin-env.sh，Zeppelin使用spark-submit作为Spark解释赛跑者。spark-submit支持两种方式来加载配置。第一个是命令行选项，如--master和飞艇可以通过这些选项spark-submit通过导出SPARK_SUBMIT_OPTIONS在conf/zeppelin-env.sh。二是从中读取配置选项SPARK_HOME/conf/spark-defaults.conf。用户可以设置分发库的Spark属性有：

火花defaults.conf SPARK_SUBMIT_OPTIONS 描述
spark.jars --jars 包含在驱动程序和执行器类路径上的本地jar的逗号分隔列表。
spark.jars.packages --packages 逗号分隔列表，用于包含在驱动程序和执行器类路径上的jar的maven坐标。将搜索当地的maven repo，然后搜索maven中心和由–repositories提供的任何其他远程存储库。坐标的格式应该是groupId:artifactId:version。
spark.files --files 要放置在每个执行器的工作目录中的逗号分隔的文件列表。

以下是几个例子：

  • SPARK_SUBMIT_OPTIONS 在 conf/zeppelin-env.sh

    export SPARK_SUBMIT_OPTIONS="--packages com.databricks:spark-csv_2.10:1.2.0 --jars /path/mylib1.jar,/path/mylib2.jar --files /path/mylib1.py,/path/mylib2.zip,/path/mylib3.egg"

  • SPARK_HOME/conf/spark-defaults.conf

    spark.jars /path/mylib1.jar,/path/mylib2.jar spark.jars.packages com.databricks:spark-csv_2.10:1.2.0 spark.files /path/mylib1.py,/path/mylib2.egg,/path/mylib3.zip

3.通过％spark.dep解释器加载动态依赖关系

注：%spark.dep解释负载库%spark和%spark.pyspark而不是 %spark.sql翻译。所以我们建议你改用第一个选项。

当你的代码需要外部库，而不是下载/复制/重新启动Zeppelin，你可以使用%spark.dep解释器轻松地完成以下工作。

  • 从maven库递归加载库
  • 从本地文件系统加载库
  • 添加额外的maven仓库
  • 自动将库添加到SparkCluster（可以关闭）

解释器利用Scala环境。所以你可以在这里编写任何Scala代码。需要注意的是%spark.dep解释前应使用%spark，%spark.pyspark，%spark.sql。

这是用法

%spark.dep
z.reset() // clean up previously added artifact and repository 

// add maven repository
z.addRepo("RepoName").url("RepoURL") 

// add maven snapshot repository
z.addRepo("RepoName").url("RepoURL").snapshot() 

// add credentials for private maven repository
z.addRepo("RepoName").url("RepoURL").username("username").password("password") 

// add artifact from filesystem
z.load("/path/to.jar") 

// add artifact from maven repository, with no dependency
z.load("groupId:artifactId:version").excludeAll() 

// add artifact recursively
z.load("groupId:artifactId:version") 

// add artifact recursively except comma separated GroupID:ArtifactId list
z.load("groupId:artifactId:version").exclude("groupId:artifactId,groupId:artifactId, ...") 

// exclude with pattern
z.load("groupId:artifactId:version").exclude(*)
z.load("groupId:artifactId:version").exclude("groupId:artifactId:*")
z.load("groupId:artifactId:version").exclude("groupId:*") 

// local() skips adding artifact to spark clusters (skipping sc.addJar())
z.load("groupId:artifactId:version").local() 

ZeppelinContext

Zeppelin 在Scala / Python环境中自动注入ZeppelinContext变量z。ZeppelinContext提供了一些额外的功能和实用程序。

对象交换

ZeppelinContext扩展地图，它在Scala和Python环境之间共享。所以你可以把Scala的一些对象从Python中读出来，反之亦然。

Scala

// Put object from scala
%spark
val myObject = ...
z.put("objName", myObject) 

// Exchanging data frames
myScalaDataFrame = ...
z.put("myScalaDataFrame", myScalaDataFrame) 

val myPythonDataFrame = z.get("myPythonDataFrame").asInstanceOf[DataFrame] 

Python  展开原码

# Get object from python
%spark.pyspark
myObject = z.get("objName")

# Exchanging data frames
myPythonDataFrame = ...
z.put("myPythonDataFrame", postsDf._jdf)

myScalaDataFrame = DataFrame(z.get("myScalaDataFrame"), sqlContext) 

表格创作

ZeppelinContext提供了创建表单的功能。在Scala和Python环境中，您可以以编程方式创建表单。

Scala

%spark
/* Create text input form */
z.input("formName") 

/* Create text input form with default value */
z.input("formName", "defaultValue") 

/* Create select form */
z.select("formName", Seq(("option1", "option1DisplayName"),
                         ("option2", "option2DisplayName"))) 

/* Create select form with default value*/
z.select("formName", "option1", Seq(("option1", "option1DisplayName"),
                                    ("option2", "option2DisplayName"))) 

%spark.pyspark
# Create text input form
z.input("formName")

# Create text input form with default value
z.input("formName", "defaultValue")

# Create select form
z.select("formName", [("option1", "option1DisplayName"),
                      ("option2", "option2DisplayName")])

# Create select form with default value
z.select("formName", [("option1", "option1DisplayName"),
                      ("option2", "option2DisplayName")], "option1") 

在sql环境中，可以在简单的模板中创建表单。

%spark.sql
select * from ${table=defaultTableName} where text like '%${search}%' 

要了解有关动态表单的更多信息，请检查Zeppelin 动态表单。

 

Matplotlib集成（pyspark）

这两个python和pyspark解释器都内置了对内联可视化的支持matplotlib，这是一个流行的python绘图库。更多细节可以在python解释器文档中找到，因为matplotlib的支持是相同的。通过利用齐柏林内置的角度显示系统，可以通过pyspark进行更先进的交互式绘图，如下所示：

解释器设置选项

您可以选择其中之一shared，scoped以及isolated配置Spark解释器的选项。Spark解释器为每个笔记本创建分离的Scala编译器，但在scoped模式（实验）中共享一个SparkContext。它在每个笔记本isolated模式下创建分离的SparkContext 。

用Kerberos设置Zeppelin

使用Zeppelin，Kerberos Key Distribution Center（KDC）和Spark on YARN进行逻辑设置：

配置设置

  1. 在安装Zeppelin的服务器上，安装Kerberos客户端模块和配置，krb5.conf。这是为了使服务器与KDC进行通信。

  2. 设置SPARK_HOME在[ZEPPELIN_HOME]/conf/zeppelin-env.sh使用火花提交（此外，您可能需要设置export HADOOP_CONF_DIR=/etc/hadoop/conf）

  3. 将以下两个属性添加到Spark configuration（[SPARK_HOME]/conf/spark-defaults.conf）中：

    spark.yarn.principal spark.yarn.keytab

    > 注意：如果您没有访问以上spark-defaults.conf文件的权限，可以选择地，您可以通过Zeppelin UI中的“解释器”选项卡将上述行添加到“Spark Interpreter”设置。

  4. 而已。玩Zeppelin！

我们一直在努力

apachecn/AiLearning

【布客】中文翻译组