Jupyter + Pyspark + Yarn 交互式大数据分析

背景:

小批量数据可以使用pandas 进行分析，方便灵活。但大批量（千万级别）数据，使用pandas分析处理，速度很慢，且需一次性读取全部数据，内存可能溢出。

此时使用spark分布式分析处理速度很快，且数据分区，再配上jupyter 在线分析工具界面，可以很方便进行交互式大数据集分析。

注意：

python第三方库pyspark，和spark自带组件pyspark，都提供了与Spark 集群交互的 Python 接口，让Python 开发人员能够利用 Apache Spark 的强大功能来处理大规模数据。

区别：spark集群自带组件pyspark，与spark一体，无需进行配置，可直接使用；python pip安装的pyspark模块，需要配置上spark集群相关信息，才能利用spark集群处理数据。

环境：

Jupyter-lab(python3.7) + Spark集群（sparkV2.4.0 - cdh6.3.4）

文章目录

- 1、Jupyter Pyspark 在线交互式环境配置
- - 1.1 第一种方式
  - 1.2 第二种方式[未验证]
- 2、在线交互式大数据分析测试
- 3、spark-submit
- 4、client 和 cluster 运行模式注意点

1、Jupyter Pyspark 在线交互式环境配置

1.1 第一种方式

# 安装pyspark类库
> pip install pyspark==2.4.0  # 与spark集群版本保持一致
# 启动jupyter-lab
> jupyter-lab

# jupyter环境
import os
from pyspark import SparkContext,SparkConf
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType,FloatType,IntegerType
import pyspark.sql.functions as F
from pyspark.ml.feature import QuantileDiscretizer
import pandas as pd
import numpy as np

import logging
import sys
import warnings

# 日志配置
logging.getLogger("py4j").setLevel(logging.WARN) # 屏蔽spark运行debug日志
logging.getLogger("pyspark").setLevel(logging.WARN)

# 配置集群spark、hadoop家目录
os.environ['SPARK_HOME'] = '/opt/cloudera/parcels/CDH-6.3.4-1.cdh6.3.4.p0.6751098/lib/spark'
os.environ['HADOOP_CONF_DIR'] = '/opt/cloudera/parcels/CDH-6.3.4-1.cdh6.3.4.p0.6751098/lib/hadoop' # spark on hive
os.environ['PYSPARK_PYTHON'] = './py3/python3.7/bin/python' # 使用 spark.yarn.dist.archives 分发到各节点的python环境；也可以是所在节点绝对路径（要求每台机器所安装python环境一致）
os.environ['PYSPARK_DRIVER_PYTHON'] = '/data/d2/anaconda3/anaconda3/envs/python3.7/bin/python' # spark client 模式运行时，driver 本地运行，无法使用spark.yarn.dist.archives 分发到各节点的python环境，需单独指定



# 创建sparksql会话
parameters = [
              ('spark.app.name','测试pyspark连接'),# 设置spark应用名称  
              # spark.yarn.dist.archives 依赖归档文件（zip/tar.gz等），用于指定哪些文件应该分发到每个执行节点上。
              # 这些压缩文件将在应用程序执行前在executor节点上工作目录内解压可用。
              # 这里将整个python3.7解释器，压缩为py3，随spark执行程序一起分发到各个executor工作目录内。
              ('spark.yarn.dist.archives','hdfs://namenode2:8020/python3/python3.7.tar.gz#py3'), 
              ('spark.master','yarn'),  #集群运行模式，yarn（连接到正在运行的 YARN 集群，Spark应用程序会作为 YARN 上的一个应用来提交和执行） 
              ('spark.submit.deploymode','client'), # driver运行模式 -> 客户端模式运行
             #('spark.submit.pyFiles','./test.txt') # job开始前上传所依赖py文件，client模式下可能提示找不到(文件会随submit自动上传)
              ('spark.debug.maxToStringFields',100)
             ]


conf = SparkConf.setALL(parameters)
# sc = SparkContext.getOrCreate(conf=conf)
# sc.addPyFile('./funcs.py') #（local_file_path/hdfs/url） 添加单个python文件到executor上，甚至在开始job后也可以添加py文件 

# 创建回话
spark = SparkSession\
        .builder\
        .config(conf=conf)\
        .enableHiveSupport()\ #.enableHiveSupport()：这个方法会自动包括一些必要的 Hive 类库和配置，以便与 Hive 服务通信
        .getOrCreate() 
spark

# 关闭回话
# spark.stop()

在这里插入图片描述

1.2 第二种方式[未验证]

spark官网说明
在这里插入图片描述

## 通过配置driver端python环境为jupyter，然后再启动{SPARK_HOME}/bin/pyspark实现

> export PYSPARK_DRIVER_PYTHON=/xx/anaconda3/bin/jupyter #jupyter启动服务命令所在目录
> export PYSPARK_DRIVER_PYTHON_OPTS=notebook # jupyter启动参数，jupyter notebook方式
> export PYSPARK_DRIVER_PYTHON_OPTS='lab --allow-root' # jupyter-lab 方式 二选其一
# 上面两个配置可以直接加到{SPARK_HOME}/bin/pyspark 启动文件里

# 再次启动pyspark
> ./bin/pyspark

2、在线交互式大数据分析测试

#1、读取hive表数据
data = spark.sql('select * from test.id4')
data.show(4)

在这里插入图片描述

#2、使用udf进行数据处理
@F.udf(IntegerType())
def add(x):
    return x+1

data.withColumn('flag+1',add(data.flag))
data.show(4)

在这里插入图片描述

3、spark-submit

spark-submit 是Spark提交各类任务（python、R、Java、Scala）的工具，可以使用shell脚本运行指定的py脚本。

其实，{SPARK_HOME}/bin/pyspark交互式环境，运行时底层也是使用的spark-submit提交资源管理器进行计算。

spark-submit（V3.1.3）具体参数：*

【从spark-submit --help 翻译而来（不同版本间可能有差异）】

**spark-submit 提交用法及参数（偏python)**
提交脚本格式
Usage: spark-submit [options] "app jar \| python file \| R file" [app arguments]
Options:	注释
--master MASTER_URL	spark://host:port, mesos://host:port, yarn,k8s://https://host:port,local (Default: local[*]).
--deploy-mode DEPLOY_MODE	运行模式 'client/cluster '(Default: client)
--class CLASS_NAME	您的应用程序的主类（用于 Java / Scala 应用程序，python应该不需要）。
--name NAME	应用程序的名称。
--packages	要包含在驱动程序和执行程序类路径中的 jar 的 maven 坐标的逗号分隔列表。
--py-files PY_FILES	逗号分隔的 .zip、.egg 或 .py 文件列表，提交的python文件和入口文件在同一目录下,这里面包括Python应用主程序，这些文件将被交付给每一个执行器来使用。
--files FILES	逗号分隔的文件列表，放置在每个执行器的工作目录中。这些文件在执行器中的文件路径可以通过 SparkFiles.get(fileName) 访问。
--archives ARCHIVES	要提取到每个执行程序的工作目录中的以逗号分隔的档案列表。
--conf, -c PROP=VALUE	任意 Spark 配置属性
--properties-file FILE	加载额外属性的文件路径。如果未指定，默认查找 conf/spark-defaults.conf
--driver-memory MEM	driver程序内存（例如 1000M，2G）（默认值：1024M）。
--executor-memory MEM	每个executor的内存（例如 1000M，2G）（默认值：1G）
仅集群部署模式：
--driver-cores NUM	drive使用的核心数（默认值：1）。
--executor-cores	每个executor可以使用的cpu核心（Yarn和K8S默认1，standalone默认worker可利用的全部核心）
Spark 仅适用于 YARN 和 Kubernetes：
--num-executors NUM	要启动的执行程序数量（默认值：2）。如果启用了动态分配，则执行器的初始数量将至少为 NUM。
--principal PRINCIPAL	用于登录 KDC 的主体。
--keytab KEYTAB	包含以上指定主体的密钥表的文件的完整路径。
Spark 仅适用于 YARN：
--queue QUEUE_NAME	要提交到的 YARN 队列（默认值：“default”）。

4、client 和 cluster 运行模式注意点

起初，在配置spark运行环境时，指定spark python环境配置如下：

 vim spark-defaults.conf
spark.yarn.dist.archives=hdfs://***/***/***/env/python_env.zip#python_env
spark.pyspark.driver.python=./python_env/bin/python # pyspark程序内部自定义函数或类执行环境
spark.pyspark.python=./python_env/bin/python

Spark-submit在进行client模式提交时，提示 "Cannot run program “./python_env/bin/python “: error=2, No such file or dictor "错误，而进行cluster提交时正常运行。

原因：

 --archives  # code运行依赖文档。
 --py-files  # code依赖python。

 如上面依赖，也可能出现 “file not found” 问题，原理应该一样。

driver服务启动后，会自动上传依赖文件到executor中，解压到当前文件夹下（通过查看yarn运行日志，可以看到上传解压过程）。

  当使用client模式时，driver运行在本地spark-submit进程中，未进行archives的上传解压，所以报错找不到python文件。

  当使用cluster模式提交时，会优先在yarn的机器中，开启一个特殊的executor运行driver，在开启executor过程中，伴随着进行archives的上传解压。