使用Excel&Python&Hive&SparkSQL进行数据分析开篇-环境搭建攻略!

来自:小小挖掘机(微信号:wAIsjwj),作者:石晓文

计划写一个新系列,分别使用Excel、Python、Hive、SparkSQL四种方式来实现简单的数据分析功能,例如GroupBy、透视表等功能。

俗话说的好,工欲善其事,必先利其器,所以咱们先介绍一下环境的搭建!虽说Hive和Spark都是分布式的宠儿,但是咱们仅仅实现单机版!

所有需要安装的工具列表如下:

1、Excel
2、Python
3、JDK
4、IDEA
5、Mysql
6、Scala
7、Spark
8、Hadoop
9、Hive

前五个咱们就不说了,网上的工具一大堆,我默认你已经全部安装过了,咱们重点讲下后面四个的安装和配置。废话不多说,一个个来,踩坑一天的经验全部分享给你!

1、Scala安装

下载压缩包并解压

首先我们要到官网下载安装包。官网传送门:?http://www.scala-lang.org/download/
我下载的是scala-2.12.3.tar.
下载后进入安装包所在目录进行解压操作:

tar -zxvf scala-2.12.3.tar

添加环境变量

执行如下命令打开配置文件:

vim ~/.bash_profile

添加如下两行:

export SCALA_HOME=你Scala的路径/scala
export PATH=$PATH:$SCALA_HOME/bin

添加结束后推出编辑配置文件,使用如下的命令使配置生效:

source ~/.bash_profile

检验是否配置生效

在命令行输入scala,并测试一段简单的语句,证明scala安装成功:



输入:q可以退出scala的交互环境。

2、Spark安装

下载压缩包并解压

到官网下载spark的安装包,我用的是spark-2.1.1-bin-hadoop2.7.tgz

使用如下的命令进行解压:

tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz 

修改配置文件

解压后进入conf 文件夹下将 spark-env.sh.template 改名为 spark-env.sh,并修改 spark-env.sh 文件添加信息:

export SCALA_HOME=/Users/yangyibo/Software/scala
export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk1.8.0_92.jdk/Contents/Home
export SPARK_MASTER_IP=192.168.100.176
export SPARK_WORKER_MEMORY=512m
export master=spark://192.168.100.176:7070

上面的ip地址需要替换成你自己电脑的ip,可以使用ifconfig命令查看。

随后,修改 slaves.template 添加信息:

master

配置环境变量

执行如下命令打开配置文件:

vim ~/.bash_profile

添加如下信息:

export SPARK_HOME=你的spark路径
export PATH=$PATH:$SPARK_HOME/bin

添加结束后推出编辑配置文件,使用如下的命令使配置生效:

source ~/.bash_profile

验证安装情况

进入安装包的sbin 目录执行 start-all.sh 脚本

./start-all.sh



如果出现上面的错误,其实是没问题的,因为是单机版,所以ssh并不需要配置

启动后进入spark 的bin 目录运行spark-shell 进入终端。

./spark-shell

如果看到下面的结果,就证明你安装成功啦,你就可以直接在交互环境中编写scala和spark语句啦。



停止spark

进入spark的sbin目录,执行命令

$ ./stop-all.sh

3、使用IDEA创建Project

安装好了Spark,咱们先用IDEA测试一下。

打开IDEA之后,新建一个project:



选择scala工程:



配置scala的版本和JDK的版本:



工程建好后,已经有scala和java的相关jar包了,咱们还得把spark相关的包进行导入:




点击+号后,选择spark解压路径下jars文件夹即可:




此时,新建一个Scala的Object:




测试一下sparkSession能否创建成功(spark2.x统一使用SparkSession),编写如下代码

import org.apache.spark.sql.SparkSession


object DemoTest {
?def main(args:Array[String]): Unit= {
? ?
? ?val spark = SparkSession
? ? ?.builder()
? ? ?.appName("Spark SQL basic example")
? ?// ?.enableHiveSupport()
? ? ?.config("spark.some.config.option", "some-value")
? ? ?.getOrCreate()
? ?import spark.implicits._
?}
}

直接右键点击run执行程序是不行的,会报错:



因此需要配置运行环境:



输入如下配置:


再次运行,执行成功,打印了一大堆日志,就不贴了。

上午被一个错误折腾了半天,给大家贴出来看看,如果你运行时发现如下错误:



这种的话一般是scala的包冲突了,找了半天,在jdk下面的包中,也有scala的包,把它删掉就好了:



至此,spark安装及运行成功!

4、Hadoop安装及配置

先去官网下载安装包:https://hadoop.apache.org/releases.html,我下载了一个相对新的版本:



下载之后还是放到指定的位置解压并重命名:

tar -zxvf hadoop-2.7.7.tar
mv hadoop-2.7.7 hadoop

修改/etc/hadoop下的配置文件:

修改/etc/hadoop/core-site.xml
第二项的路径需要根据你的电脑实际路径进行配置。

<configuration>
<property>
? ?<name>fs.defaultFSname>
? ?<value>hdfs://localhost:9000value>
? ?<description>The name of the default file system.description>
?property>

?<property>
? ?<name>hadoop.tmp.dirname>
? ?<value>/Users/meituan_sxw/hadoop/tmpvalue>
? ?<description>A base for other temporary directories.description>
?property>

?<property>
? ?<name>io.native.lib.availablename>
? ?<value>falsevalue>
? ?<description>default value is true:Should native hadoop libraries, if present, be used.description>
?property>
configuration>

修改hdfs-site.xml

<property>
? ? ? ?<name>dfs.replicationname>
? ? ? ?<value>1value>
? ? ? ?
property>

修改yarn-site.xml

<property>
? ? ? ?<name>yarn.nodemanager.aux-servicesname>
? ? ? ?<value>mapreduce_shufflevalue>
? ?property>

? ?<property>
? ? ? ?<name>yarn.nodemanager.aux-services.mapreduce.shuffle.classname>
? ? ? ?<value>org.apache.hadoop.mapred.ShuffleHandlervalue>
property>

修改mapred-site.xml
首先执行下面的命令,创建mapred-site.xml:

cp mapred-site.xml.template mapred-site.xml

随后进行修改:

<property>
? ? ? ?<name>mapreduce.framework.namename>
? ? ? ?<value>yarnvalue>
? ? ? ?<final>truefinal>
property>

修改完之后,将Hadoop添加至环境变量中:

vim ~/.bash_profile

添加如下内容:

export HADOOP_HOME=/Users/meituan_sxw/hadoop
export HADOOP_PREFIX=$HADOOP_HOME
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

当然还需要让修改的环境变量生效:

source ~/.bash_profile

接下来,就是启动Hadoop了,首先对NameNode进行格式化:

hadoop namenode -format

在这里,报错了:



原因就是core-site.xml中的hadoop.tmp.dir属性我没有修改,这里要修改为自己电脑的路径,同时创建相应的文件夹,并赋予777的权限:

sudo chmod -R a+w /Users/meituan_sxw/hadoop

然后进行格式化:

hadoop namenode -format

成功格式化:



接下来,在sbin目录下启动hdfs和yarn:

start-dfs.sh
start-yarn.sh

使用jps命令查看是否启动成功:



关闭hadoop,同样在sbin路径下执行:

stop-hdfs.sh
stop-yarn.sh

每次想要重新启动hadoop的时候,需要先关闭hadoop,再清除hadoop.tmp.dir下的文件,随后格式化namenode,最后再启动hdfs和yarn,少一步都有可能导致启动失败。这里小编踩过的坑就是没有清除hadoop.tmp.dir下的文件,导致每次启动时datanode没有启动成功。

5、Hive安装及配置

还是去官网下载一个Hive吧:https://hive.apache.org/downloads.html,一路点点点:


下载后还是先解压再重命名:

tar -zxvf apache-hive-2.3.5-bin.tar 
mv apache-hive-2.3.5-bin hive

配置环境变量:

export HIVE_HOME=/Users/meituan_sxw/hive
export PATH=$HIVE_HOME/bin:$PATH

接下来修改Hive的配置文件,在conf路径下:

cp hive-env.sh.template hive-env.sh
cp hive-default.xml.template hive-site.xml

修改 hive-env.sh

 HADOOP_HOME=/Users/meituan_sxw/hadoop
export HIVE_CONF_DIR=/Users/meituan_sxw/hive/conf
export HIVE_AUX_JARS_PATH=/Users/meituan_sxw/hive/lib

修改hive-site.xml
首先,将所有的${system:java.io.tmpdir} 和 ${system:user.name}替换,这里随便换一下就好,如果不换,会报如下的错误:


随后,根据name找到如下四项,进行修改(注意这里是修改,而不是追加,即根据name找到对应的位置,再把value进行替换),后面两项是你本地的mysql用户名和密码:

<property>
<name>javax.jdo.option.ConnectionURLname>
<value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true&characterEncoding=UTF-8&useSSL=falsevalue>
property>
<property>
<name>javax.jdo.option.ConnectionDriverNamename>
<value>com.mysql.jdbc.Drivervalue>
property>
<property>
<name>javax.jdo.option.ConnectionUserNamename>
<value>rootvalue>
property>
<property>
<name>javax.jdo.option.ConnectionPasswordname>
<value>123456value>
property>

接下来,需要下载一个mysql包放到hive的lib路径下,下载地址为:https://mvnrepository.com/artifact/mysql/mysql-connector-java

我这里下载的一个低版本的:



随后,为hive创建HDFS目录:

hdfs dfs -mkdir -p ?/usr/hive/warehouse
hdfs dfs -mkdir -p /usr/hive/tmp
hdfs dfs -mkdir -p /usr/hive/log
hdfs dfs -chmod -R ?777 /usr/hive

可以查看有没有创建成功,每次重启hadoop都需要重新创建:


接下来,在hive中的bin路径下,初始化数据库:

schematool -initSchema -dbType mysql

登陆mysql中查看:

mysql -u root -p


退出mysql,输入hive,启动成功:


我们可以写一个简单的建表语句测试一下:


可以发现,成功创建:


6、Spark和Hive连通

万事俱备,只欠东风!最后一步,我们来将spark和hive进行联通!

首先,我们需要在刚才创建的project的resources路径下添加hive-site.xml文件。如果有resources路径的话直接添加即可,如果没有resources路径的话,创建一个resources文件夹,并选择将其作为resources路径:



在hive-site.xml中添加跟刚才一样的内容:

xml version="1.0"?>
xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
? ?<property>
? ? ? ?<name>javax.jdo.option.ConnectionURLname>
? ? ? ?<value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true&characterEncoding=UTF-8&useSSL=falsevalue>
? ?property>

? ?<property>
? ? ? ?<name>javax.jdo.option.ConnectionDriverNamename>
? ? ? ?<value>com.mysql.jdbc.Drivervalue>
? ?property>

? ?<property>
? ? ? ?<name>javax.jdo.option.ConnectionUserNamename>
? ? ? ?<value>rootvalue>
? ?property>

? ?<property>
? ? ? ?<name>javax.jdo.option.ConnectionPasswordname>
? ? ? ?<value>0845value>
? ?property>
?
configuration>

接下来,将刚才下载的mysql的jar包也添加到项目中来:


接下来咱们在spark sql代码中创建一个数据表,并插入两行数据:

def main(args:Array[String]): Unit= {

? ?val spark = SparkSession
? ? ?.builder()
? ? ?.appName("Spark SQL basic example")
? ? ?.enableHiveSupport()
? ? ?.config("spark.some.config.option", "some-value")
? ? ?.getOrCreate()
? ?import spark.implicits._


? ?spark.sql(
? ? ?s"""
? ? CREATE TABLE IF NOT EXISTS usersdb1(
? ? ? user_id int,
? ? ? user_name string
? ? )
? ? PARTITIONED BY (dt string)
? ? """
)

? ?val df = Seq(
? ? ?(1, "First Value","20190627"),
? ? ?(2, "Second Value", "20190628")
? ?).toDF("user_id","user_name","dt")

? ?df.show()

? ?df.createOrReplaceTempView("outputdata")

? ?spark.sql("select ?* from outputdata").show()

? ?spark.sql("set hive.exec.dynamic.partition.mode=nonstrict")
? ?spark.sql(
? ? ?s"""
? ? ? ? |insert overwrite table usersdb1 PARTITION (dt)
? ? ? ? |select
? ? ? ? | ?user_id,
? ? ? ? | ?user_name,
? ? ? ? | ?dt
? ? ? ? |from
? ? ? ? | ?outputdata
? ? ?"""
.stripMargin)


? ?spark.sql(
? ? ?"""
? ? ? ?|select * from usersdb1 where dt=20190627
? ? ?"""
.stripMargin).show()

?}

在hive下查看下数据有没有写入:



成功!不过还是再说明两点,一是sparkSession创建时.enableHiveSupport()一定要打开,而是插入数据库时,最好 指定spark.sql("set hive.exec.dynamic.partition.mode=nonstrict"),至于为什么,咱们后面再说,一下子说这么多我怕你也撑不住,哈哈。

虽然折腾了一天,不过终于配置成功了!下一篇咱们先来讲讲数据的导入,主要是spark sql如何创建dataframe,期待一下吧!

推荐↓↓↓
人工智能与大数据
上一篇:一文入门Scikit-Learn亚博88娱乐城器 下一篇:通俗易懂!使用Excel和TF实现Transformer!