0
0

Spark搭建日志，记录一些踩过的坑

Spark搭建日志

文章目录

本人在Centos中使用三个虚拟机（node1，node2，node3）搭建hadoop与Spark分布式环境（具体见后记中的Hadoop安装），本文记录一些踩过的坑

错误1：运行./start-all.sh时，遇到权限不够的情况

img

解决办法：sudo chown -R 用户名 /spark(spark或者hadoop所在目录)

原理：文件的初始所有者不是用户名（如root），要把spark目录的初始所有者更换为自己的用户名

错误2：spark运行./start-all.sh时出现Permission Denied错误

img

解决办法：重新进行三个节点的ssh免密登录：【精选】大数据Hadoop(一)：集群搭建–Hadoop3.3.1、CentOS8、HDFS集群、YARN集群最新保姆级教程_centos8安装yarn_彭瑞琪的博客-CSDN博客

原理：要输入密码，但是一般怎么输入都不对（我也不知道问什么，留个坑），所以要重新进行ssh免密登录才行，避免输入密码

错误3：在root用户下，每次新建终端都要source一下配置文件profile的解决办法

解决办法：**在~/.bashrc文件里添加

source /etc/profile

命令**

[学习笔记]Centos7每次启动都要执行 source /etc/profile才能找到java路径_centos source-CSDN博客

这样每次启动终端都会自动source一下profile文件

原理：普通用户下没有问题，就是在root下出现问题，应该是root用户没有在全局变量中？

image-20231017182350786

普通用户的~/.bashrc文件

image-20231017182418216

root用户的~/.bashrc文件

如果想设置打开终端后自动激活自己的环境，比如pyspark：只需在.bashrc里最后一行加上 conda activate pyspark即可

各个端口的含义

  1. spark://node1:7077
spark://node1:7077

是 Apache Spark 集群管理的地址。在这个地址中，

node1

是 Spark 集群的主节点（也称为 Spark Master），而 

7077

是 Spark Master 的默认网络监听端口。

  • spark://：这是 Spark 集群的地址协议头。
  • node1：这是 Spark Master 的主机名或 IP 地址，表示 Spark 集群的主节点。
  • 7077：这是 Spark Master 的默认网络监听端口。Spark Master 通过这个端口接收来自工作节点（Spark Worker）的连接以及管理整个 Spark 集群的资源分配和作业调度。

当你使用 Spark Standalone 集群管理模式时，你会在 Spark Master 上通过 

spark://node1:7077

地址来连接到集群并提交 Spark 应用程序。这允许你将作业调度到 Spark 集群，管理资源分配以及监视应用程序的运行状态。

请注意，

7077

是默认端口号，你可以在 Spark Master 的配置中更改这个端口号，但在大多数情况下，使用默认端口即可。如果你的 Spark Master 运行在其他端口上，你需要相应地更改地址。

  1. hdfs://node1:8020
hdfs://node1:8020

是 Hadoop HDFS 的默认文件系统 URL。在这个 URL 中，

node1

通常是你的 Hadoop 集群的 NameNode 主机名或 IP 地址，而 

8020

是 HDFS 的默认文件系统端口。

HDFS 使用 

8020

作为默认文件系统端口，但你可以根据需要配置不同的端口。通常情况下，你可以通过 

hdfs://<namenode-host>:8020

这样的 URL 来访问 HDFS 文件系统。这允许你连接到 Hadoop 集群并执行各种 HDFS 操作，如上传、下载、浏览和管理文件。

如果你的 Hadoop 集群使用不同的端口，你需要相应地修改 URL。端口 

8020

是 HDFS 默认端口，但实际部署中可能会有不同的配置。

  1. http://node1:50070
http://node1:50070

是 Hadoop HDFS 的 Web 用户界面（NameNode Web 用户界面）的默认端口。这个 Web 用户界面提供有关 HDFS 群集的状态信息，如文件系统的用量、节点状态、名称节点（NameNode）状态等。这是一个方便的方式来监视和管理你的 HDFS 群集。

通常情况下，如果你的 Hadoop HDFS 服务正在运行，并且已按默认配置设置，则你可以通过浏览器访问 

http://<namenode-host>:50070

来查看 HDFS Web 用户界面，其中 

<namenode-host>

是你的 NameNode 主机名或 IP 地址。在这个 Web 用户界面中，你可以查看有关 HDFS 集群的各种信息和指标。这有助于监控和管理 Hadoop 文件系统。

  1. http://node1:8080

通常情况下，

http://node1:8080

是用于访问 Apache Spark 的 Web UI 的端口。在这个 URL 中，

node1

通常是你 Spark 集群的主节点（Master）的主机名或 IP 地址，而 

8080

是 Spark 的默认 Web UI 端口。

Spark Web UI 提供了有关 Spark 应用程序、作业、阶段、任务等的详细信息，以及有关 Spark 集群状态的信息。你可以在这个 Web 用户界面上监视和调试你的 Spark 应用程序。

请注意，

8080

是 Spark 默认的 Web UI 端口，但你可以在 Spark 配置中更改此端口，以适应特定的需求。如果你的集群管理员或 Spark 部署使用了不同的端口，你需要使用相应的端口来访问 Spark Web UI。

  1. http://node1:9864

image-20231018002839976

错误4：无法连接到master:7077（配置文件出错）

image-20231018002003760

解决方案：

image-20231018002128835

image-20231018002621545

最后发现，我的spark-defaults.conf文件出错了，端口配错了

第一个错误：SparkUI的端口尝试了4040和4041，发现4040端口被占用了，4041端口空余，所以我在spark-defaults.conf文件中，将port改为4041

第二个错误：最致命的错误，我把spark和hadoop的web端口配错了，导致无法解析地址

将spark.master对应的web端口改为spark://node1:7077

将spark.hadoop.fs.defaultFS对应的web端口改为hdfs://node1:8020（要与hadoop配置文件中的一致）

加上这几个就可以了：

spark.master spark://node1:7077
spark.ui.port 4041
spark.hadoop.fs.defaultFS hdfs://node1:8020
spark.eventLog.enabled true

## 设置 Spark 主机名和端口
spark.master           spark://your-spark-master:7077

# 设置默认的执行内存和CPU核心数
spark.executor.memory  2g
spark.executor.cores   2# 设置 Spark UI 的端口
spark.ui.port          4040# 设置 Spark 日志级别
spark.logConf          true
spark.driver.memory    1g

# 设置默认文件系统
spark.hadoop.fs.defaultFS hdfs://namenode:8020

# 配置 HDFS 的 NameNode 节点
spark.hadoop.fs.hdfs.impl org.apache.hadoop.hdfs.DistributedFileSystem
spark.hadoop.fs.hdfs.serverName namenode

image-20231018002721948

spark.hadoop.fs.defaultFS

的作用：指向HDFS的NameNode地址

image-20231018181748976

这个其实出了好多错，配置文件出错了，后面的spark使用的python路径也不对（不是anaconda的，而是spark自身自带的）

错误5：初始化SparkContext时报错：file:/tmp/spark-events does not exist

image-20231018183029804

image-20231018183047703

image-20231018183101806

错误原因： Spark 无法找到目录 

file:/tmp/spark-events

，因此无法初始化 SparkContext。这个目录通常用于存储 Spark 应用程序事件日志，包括应用程序的执行历史记录

解决方案：

image-20231018183146296

image-20231018183222449

错误6：pyspark启动时，报错：MouduleNotFound(在conda中安装的包找不到)

image-20231018183439595

错误原因：spark中的pyspark使用的是自带的python解释器，而非conda环境下的python，所以要在设置文件/etc/profile中，将

$SPARK_PYTHON

设置为conda虚拟环境中使用的python路径（which python查看）

解决方案：

image-20231018183720851

我的/etc/profile配置文件

image-20231018183916509

exportJAVA_HOME=/jdk1.8.0_381
exportPATH=$PATH:$JAVA_HOME/bin:$PATHexportHADOOP_HOME=/hadoop
exportPATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
exportSPARK_HOME=/spark
exportPATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
exportANACONDA_HOME=/opt/anaconda3
exportPATH=$PATH:$ANACONDA_HOME/bin:$PATHexportPYSPARK_PYTHON=/opt/anaconda3/envs/pyspark/bin/python

在启动pyspark时，就发现python版本不是我在conda环境下设置的3.8，而是3.11，这也能说明pyspark用的不是我的conda环境下的python

image-20231018184222912

HDFS操作

1.在HDFS上创建文件目录

image-20231018184547692

  • 报错：不允许在根目录下（与/user和/myc_centos同级）创建文件目录

/user是root用户的根目录

/myc_centos是普通用户的根目录

image-20231018184627116

2.将文件上传到HDFS上

要将文件上传到Hadoop分布式文件系统（HDFS），可以使用Hadoop提供的

hadoop fs

命令，或者使用Hadoop的Java API或Hadoop库的其他API来执行文件上传操作。

  • 使用 hadoop fs 命令：

打开终端并执行以下命令，其中 

localfile

是本地文件的路径，

hdfsdir

是HDFS目标目录的路径：

hadoop fs -copyFromLocal localfile hdfsdir

例如，如果要将本地文件 

/path/to/localfile.txt

上传到HDFS目录 

/user/yourusername/hdfspath/

，可以运行：

hadoop fs -copyFromLocal /path/to/localfile.txt /user/yourusername/hdfspath/

请注意，您需要在Hadoop集群上具有适当的权限才能执行HDFS文件上传操作。

image-20231018184503130

例如我要上传本地的/file.txt到HDFS上的/user/worcount中，在创建好/user/wordcount后，输入命令：

hadoop fs -copyFromLocal /file.txt /user/wordcount

3.给文件增加权限

image-20231018185558262

4.wordcount.py代码实现

在Spark集群中完成

from pyspark import SparkConf, SparkContext

# 创建 Spark 配置
conf = SparkConf().setAppName("WordCount")# 初始化 SparkContext
sc = SparkContext(conf=conf)# 从 HDFS 读取文件
text_file = sc.textFile("hdfs://namenode:8020/user/wordcount/file.txt")# 将 "namenode" 替换为 HDFS 主节点的主机名或IP# 对文件进行单词拆分和计数
word_counts = text_file.flatMap(lambda line: line.split(" ")) \
    .map(lambda word:(word,1)) \
    .reduceByKey(lambda a, b: a + b)# 保存结果到 HDFS
word_counts.saveAsTextFile("hdfs://namenode:8020/user/wordcount/output")# 替换 "namenode" 和路径# 关闭 SparkContext
sc.stop()

image-20231018185044793

5.standalone模式下提交并运行wordcount.py

image-20231018185104848

  • 报错：output文件没有内容

image-20231018185624583

错误原因：我创建了output目录，程序发现我已经创建好了这个目录，认为该目录已经存在，不能自己新建一个储存数据的目录，所以就终止运行了

可能出现的问题：

image-20231018185242898

我的问题：

image-20231018185638838

  • 运行代码时报错：

image-20231018185719412

问题原因：node2、3上找不到conda环境，但是还要使用这个环境

解决思路：

image-20231018185751889

我在Spark集群中都安装了anaconda，分别创造了pyspark虚拟环境，同时保证了配置文件和地址的正确性

image-20231018190029236

具体，查看：

(超详细) Spark环境搭建（Local模式、 StandAlone模式、Spark On Yarn模式）-CSDN博客

清华源换源：

anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

终于，运行成功了

6.将结果传回到本地

通过http://node1:50070管理HDFS文件系统，我看到output中有三个文件：

success

part-00000

part-00001

image-20231018190440646

最后，我使用这个命令将结果传回到本地的/output.txt文件

image-20231018190624680

后记：

Hadoop安装(重要)

【精选】大数据Hadoop(一)：集群搭建–Hadoop3.3.1、CentOS8、HDFS集群、YARN集群最新保姆级教程_centos8安装yarn_彭瑞琪的博客-CSDN博客

虚拟机扩容centos8

Centos8 硬盘扩容_FDUshiyan的博客-CSDN博客

在普通用户下激活conda环境

【Conda】root用户安装的anaconda如何给普通用户使用_conda命令只能root使用 怎么办-CSDN博客

配置jupyter notebook

centos8 部署 jupyter notebook-CSDN博客

报错：无法初始化SparkContext

Spark 报错解决–Error initializing SparkContext_51CTO博客_spark启动报错

centos8-stream更换yum软件源（我换的是阿里云）

centos8 yum失败完美解决-CSDN博客

image-20231018191844661

hadoop基本文件操作也可以看看这个：

如何往hdfs上上传文件？_将文件上传到hdfs-CSDN博客

最好使用root用户进行上面所有的操作

root用户与普通用户配置文件差别

root用户使用的配置文件在/root下，普通用户使用的配置文件在/home/myc_centos下

image-20231018192249434

root用户的家目录地址：

image-20231018192323119

普通用户的家目录地址：

image-20231018192349605

~/.bashrc文件

image-20231018192535646

我的.bashrc文件

image-20231018192641501

# .bashrc# User specific aliases and functionsaliasrm='rm -i'aliascp='cp -i'aliasmv='mv -i'# Source global definitionsif[-f /etc/bashrc ];then. /etc/bashrc
fisource /etc/profile
# >>> conda initialize >>># !! Contents within this block are managed by 'conda init' !!__conda_setup="$('/opt/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"if[$?-eq0];theneval"$__conda_setup"elseif[-f"/opt/anaconda3/etc/profile.d/conda.sh"];then."/opt/anaconda3/etc/profile.d/conda.sh"elseexportPATH="/opt/anaconda3/bin:$PATH"fifiunset __conda_setup
# <<< conda initialize <<<
conda activate pyspark

spark配置文件内容

spark-env.sh

image-20231018192846251

exportJAVA_HOME=/jdk1.8.0_381
exportHADOOP_CONF_DIR=/hadoop/etc/hadoop
exportSPARK_MASTER_IP=192.168.35.10
exportSPARK_MASTER_HOST=node1
exportSPARK_MASTER_PORT=7077exportSPARK_WORKER_MEMORY=4g
exportSPARK_WORKER_CORES=3exportSPARK_WORKER_INSTANCES=1exportSPARK_EXECUTOR_MEMORY=4g
exportSPARK_EXECUTOR_CORES=3

spark-defaults.conf

image-20231018192913424

park.master                     spark://node1:7077
spark.ui.port                    4041
spark.hadoop.fs.defaultFS hdfs://node1:8020
spark.eventLog.enabled           true

这个要和自己的Hadoop配置对应

workers

image-20231018193039509

lo4j2.properties

image-20231018193107715

标签： spark 大数据 分布式
本文转载自: https://blog.csdn.net/m0_55763458/article/details/135596971
版权归原作者 y=tan（x） 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Spark搭建日志，记录一些踩过的坑”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

安全见闻（9）二进制安全

C++20 STL CookBook2 更强大的编译时 + 安全比较 + spaceship比较符

Linux：login shell和non-login shell以及其配置文件

使用git命令实现对gitee仓库的下载、更新、上传、上传更新操作。

network-magic：网络管理员必备的开源网络管理工具

git-- github的使用

结合Gitee、PicGo和Typora构建一个免费的个人笔记工具

文章导航