Spark：利用Eclipse構建Spark集成開發環境
前一篇文章“Apache Spark學習：將Spark部署到Hadoop 2.2.0上”介紹了如何使用Maven編譯生成可直接運行在Hadoop 2.2.0上的Spark jar包，而本文則在此基礎上，介紹如何利用Eclipse構建Spark集成開發環境。
（1） 準備工作
在正式介紹之前，先要以下軟硬件準備：
軟件準備：
Eclipse Juno版本（4.2版本），可以直接點擊這里下載：Eclipse 4.2
Scala 2.9.3版本，Window安裝程序可以直接點擊這里下載：Scala 2.9.3
Eclipse Scala IDE插件，可直接點擊這里下載：Scala IDE(for Scala 2.9.x and Eclipse Juno)
硬件準備
裝有Linux或者Windows操作系統的機器一臺
（2） 構建Spark集成開發環境
我是在windows操作系統下操作的，流程如下：
步驟1：安裝scala 2.9.3：直接點擊安裝即可。
步驟2：將Eclipse Scala IDE插件中features和plugins兩個目錄下的所有文件拷貝到Eclipse解壓后對應的目錄中
步驟3：重新啟動Eclipse，點擊eclipse右上角方框按鈕，如下圖所示，展開后，點擊“Other….”，查看是否有“Scala”一項，有的話，直接點擊打開，否則進行步驟4操作。
步驟4：在Eclipse中，依次選擇“Help” –> “Install New Software…”，在打開的卡里填入http://download.scala-ide.org/sdk/e38/scala29/stable/site，并按回車鍵，可看到以下內容，選擇前兩項進行安裝即可。（由于步驟3已經將jar包拷貝到eclipse中，安裝很快，只是疏通一下）安裝完后，重復操作一遍步驟3便可。
（3） 使用Scala語言開發Spark程序
在eclipse中，依次選擇“File” –>“New” –> “Other…” –> “Scala Wizard” –> “Scala Project”，創建一個Scala工程，并命名為“SparkScala”。
右擊“SaprkScala”工程，選擇“Properties”，在彈出的框中，按照下圖所示，依次選擇“Java Build Path” –>“Libraties” –>“Add External JARs…”，導入文章“Apache Spark：將Spark部署到Hadoop 2.2.0上”中給出的
assembly/target/scala-2.9.3/目錄下的spark-assembly-0.8.1-incubating- hadoop2.2.0.jar，這個jar包也可以自己編譯spark生成，放在spark目錄下的assembly/target/scala- 2.9.3/目錄中。
#p#
跟創建Scala工程類似，在工程中增加一個Scala Class，命名為：WordCount，整個工程結構如下：
WordCount就是最經典的詞頻統計程序，它將統計輸入目錄中所有單詞出現的總次數，Scala代碼如下：
- import org.apache.spark._
- import SparkContext._
- object WordCount {
- def main(args: Array[String]) {
- if (args.length != 3 ){
- println("usage is org.test.WordCount <master> <input> <output>")
- return
- }
- val sc = new SparkContext(args(0), "WordCount",
- System.getenv("SPARK_HOME"), Seq(System.getenv("SPARK_TEST_JAR")))
- val textFile = sc.textFile(args(1))
- val result = textFile.flatMap(line => line.split("\\s+"))
- .map(word => (word, 1)).reduceByKey(_ + _)
- result.saveAsTextFile(args(2))
- }
- }
在Scala工程中，右擊“WordCount.scala”，選擇“Export”，并在彈出框中選擇“Java” –> “JAR File”，進而將該程序編譯成jar包，可以起名為“spark-wordcount-in-scala.jar”，我導出的jar包下載地址是 spark-wordcount-in-scala.jar。
該WordCount程序接收三個參數，分別是master位置，HDFS輸入目錄和HDFS輸出目錄，為此，可編寫run_spark_wordcount.sh腳本：
|
需要注意以下幾點：WordCount程序的輸入參數通過“-args”指定，每個參數依次單獨指定，第二個參數是HDFS上的輸入目錄，需要事先創建好，并上傳幾個文本文件，以便統計詞頻，第三個參數是HDFS上的輸出目錄，動態創建，運行前不能存在。
直接運行run_spark_wordcount.sh腳本即可得到運算結果。
在運行過程中，發現一個bug，org.apache.spark.deploy.yarn.Client有一個參數“–name”可以指定應用程序名稱：
但是使用過程中，該參數會阻塞應用程序，查看源代碼發現原來是個bug，該Bug已提交到Spark jira上：
- // 位置：new-yarn/src/main/scala/org/apache/spark/deploy/yarn/ClientArguments.scala
- case ("--queue") :: value :: tail =>
- amQueue = value
- args = tail
- case ("--name") :: value :: tail =>
- appName = value
- args = tail //漏了這行代碼，導致程序阻塞
- case ("--addJars") :: value :: tail =>
- addJars = value
- args = tail
因此，大家先不要使用“–name”這個參數，或者修復這個bug，重新編譯Spark。
（4） 使用Java語言開發Spark程序
方法跟普通的Java程序開發一樣，只要將Spark開發程序包spark-assembly-0.8.1-incubating-hadoop2.2.0.jar作為三方依賴庫即可。
（5） 總結
初步試用Spark On YARN過程中，發現問題還是非常多，使用起來非常不方便，門檻還是很高，遠不如Spark On Mesos成熟。
原文鏈接：http://dongxicheng.org/framework-on-yarn/spark-eclipse-ide/
