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

译文链接 : http://cwiki.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。

名称描述
%sparkSparkInterpreter创建一个SparkContext并提供Scala环境
%spark.pysparkPySparkInterpreter提供Python环境
%spark.rSparkRInterpreter提供具有SparkR支持的R环境
%spark.sqlSparkSQLInterpreter提供SQL环境
%spark.depDepInterpreter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
masterlocal[*]Spark master uri.例如:spark://masterhost:7077
spark.app.nameZeppelinSpark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.memory1g每个worker实例的执行程序内存。ex)512m,32g
zeppelin.dep.additionalRemoteRepositoryspark-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.localrepolocal-repo依赖加载器的本地存储库
zeppelin.pyspark.pythonpythonPython命令来运行pyspark
zeppelin.spark.concurrentSQLpython如果设置为true,则同时执行多个SQL。
zeppelin.spark.maxResult1000要显示的Spark SQL结果的最大数量。
zeppelin.spark.printREPLOutputtrue打印REPL输出
zeppelin.spark.useHiveContexttrue如果它是真的,使用HiveContext而不是SQLContext。
zeppelin.spark.importImplicittrue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

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
  3.  
  4. # set options to pass spark-submit command
  5. export SPARK_SUBMIT_OPTIONS="--packages com.databricks:spark-csv_2.10:1.2.0"
  6.  
  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%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scsqlContextz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_OPTIONSconf/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.confSPARK_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_OPTIONSconf/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%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
  3.  
  4. // add maven repository
  5. z.addRepo("RepoName").url("RepoURL")
  6.  
  7. // add maven snapshot repository
  8. z.addRepo("RepoName").url("RepoURL").snapshot()
  9.  
  10. // add credentials for private maven repository
  11. z.addRepo("RepoName").url("RepoURL").username("username").password("password")
  12.  
  13. // add artifact from filesystem
  14. z.load("/path/to.jar")
  15.  
  16. // add artifact from maven repository, with no dependency
  17. z.load("groupId:artifactId:version").excludeAll()
  18.  
  19. // add artifact recursively
  20. z.load("groupId:artifactId:version")
  21.  
  22. // add artifact recursively except comma separated GroupID:ArtifactId list
  23. z.load("groupId:artifactId:version").exclude("groupId:artifactId,groupId:artifactId, ...")
  24.  
  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:*")
  29.  
  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zZeppelinContext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)
  5.  
  6. // Exchanging data frames
  7. myScalaDataFrame = ...
  8. z.put("myScalaDataFrame", myScalaDataFrame)
  9.  
  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")
  4.  
  5. # Exchanging data frames
  6. myPythonDataFrame = ...
  7. z.put("myPythonDataFrame", postsDf._jdf)
  8.  
  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")
  4.  
  5. /* Create text input form with default value */
  6. z.input("formName", "defaultValue")
  7.  
  8. /* Create select form */
  9. z.select("formName", Seq(("option1", "option1DisplayName"),
  10. ("option2", "option2DisplayName")))
  11.  
  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")
  4.  
  5. # Create text input form with default value
  6. z.input("formName", "defaultValue")
  7.  
  8. # Create select form
  9. z.select("formName", [("option1", "option1DisplayName"),
  10. ("option2", "option2DisplayName")])
  11.  
  12. # Create select form with default value
  13. z.select("formName", [("option1", "option1DisplayName"),
  14. ("option2", "option2DisplayName")], "option1")
  1. 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pythonpyspark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sharedscoped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

  • 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。

  • 设置SPARK_HOME[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

  • 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。

  • 而已。玩Zeppelin!