Spark 解释器

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

译文链接 : http://www.apache.wiki/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，

  1. export SPARK_HOME=/usr/lib/spark

您可以选择设置更多的环境变量

  1. # set hadoop conf dir
  2. export HADOOP_CONF_DIR=/usr/lib/hadoop 
  4. # set options to pass spark-submit command
  5. export SPARK_SUBMIT_OPTIONS="--packages com.databricks:spark-csv_2.10:1.2.0" 
  7. # extra classpath. e.g. set classpath for hive-site.xml
  8. 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

    1. 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

    1. spark.jars        /path/mylib1.jar,/path/mylib2.jar 
    2. spark.jars.packages   com.databricks:spark-csv_2.10:1.2.0 
    3. 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

  1. %spark.dep
  2. z.reset() // clean up previously added artifact and repository 
  4. // add maven repository
  5. z.addRepo("RepoName").url("RepoURL") 
  7. // add maven snapshot repository
  8. z.addRepo("RepoName").url("RepoURL").snapshot() 
  10. // add credentials for private maven repository
  11. z.addRepo("RepoName").url("RepoURL").username("username").password("password") 
  13. // add artifact from filesystem
  14. z.load("/path/to.jar") 
  16. // add artifact from maven repository, with no dependency
  17. z.load("groupId:artifactId:version").excludeAll() 
  19. // add artifact recursively
  20. z.load("groupId:artifactId:version") 
  22. // add artifact recursively except comma separated GroupID:ArtifactId list
  23. z.load("groupId:artifactId:version").exclude("groupId:artifactId,groupId:artifactId, ...") 
  25. // exclude with pattern
  26. z.load("groupId:artifactId:version").exclude(*)
  27. z.load("groupId:artifactId:version").exclude("groupId:artifactId:*")
  28. z.load("groupId:artifactId:version").exclude("groupId:*") 
  30. // local() skips adding artifact to spark clusters (skipping sc.addJar())
  31. 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

  1. // Put object from scala
  2. %spark
  3. val myObject = ...
  4. z.put("objName", myObject) 
  6. // Exchanging data frames
  7. myScalaDataFrame = ...
  8. z.put("myScalaDataFrame", myScalaDataFrame) 
  10. val myPythonDataFrame = z.get("myPythonDataFrame").asInstanceOf[DataFrame]

Python 展开原码

  1. # Get object from python
  2. %spark.pyspark
  3. myObject = z.get("objName")
  5. # Exchanging data frames
  6. myPythonDataFrame = ...
  7. z.put("myPythonDataFrame", postsDf._jdf)
  9. 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

  1. %spark
  2. /* Create text input form */
  3. z.input("formName") 
  5. /* Create text input form with default value */
  6. z.input("formName", "defaultValue") 
  8. /* Create select form */
  9. z.select("formName", Seq(("option1", "option1DisplayName"),
  10.                          ("option2", "option2DisplayName"))) 
  12. /* Create select form with default value*/
  13. z.select("formName", "option1", Seq(("option1", "option1DisplayName"),
  14.                                     ("option2", "option2DisplayName")))
  1. %spark.pyspark
  2. # Create text input form
  3. z.input("formName")
  5. # Create text input form with default value
  6. z.input("formName", "defaultValue")
  8. # Create select form
  9. z.select("formName", [("option1", "option1DisplayName"),
  10.                       ("option2", "option2DisplayName")])
  12. # Create select form with default value
  13. z.select("formName", [("option1", "option1DisplayName"),
  14.                       ("option2", "option2DisplayName")], "option1")
  1. 在sql环境中，可以在简单的模板中创建表单。
  1. %spark.sql
  2. 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：

Spark 解释器 - 图1

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：

Spark 解释器 - 图2

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：

    1. spark.yarn.principal 
    2. 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！