Apache Zeppelin 中 Spark 解释器
Apache Zeppelin 中 Spark 解释器
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 | 类 | 描述 |
|---|---|---|
％spark | SparkInterpreter | 创建一个SparkContext并提供Scala环境 |
％spark.pyspark | PySparkInterpreter | 提供Python环境 |
％spark.r | SparkRInterpreter | 提供具有SparkR支持的R环境 |
％spark.sql | SparkSQLInterpreter | 提供SQL环境 |
％spark.dep | DepInterpreter | 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 | |
master | local[*] | Spark master uri. 例如：spark://masterhost:7077 |
spark.app.name | Zeppelin | Spark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.memory | 1g | 每个worker实例的执行程序内存。 ex）512m，32g |
zeppelin.dep.additionalRemoteRepository | spark-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.localrepo | local-repo | 依赖加载器的本地存储库 |
zeppelin.pyspark.python | python | Python命令来运行pyspark |
zeppelin.spark.concurrentSQL | python | 如果设置为true，则同时执行多个SQL。 |
zeppelin.spark.maxResult | 1000 | 要显示的Spark SQL结果的最大数量。 |
zeppelin.spark.printREPLOutput | true | 打印REPL输出 |
zeppelin.spark.useHiveContext | true | 如果它是真的，使用HiveContext而不是SQLContext。 |
zeppelin.spark.importImplicit | true | 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
在conf/zeppelin-env.sh，导出SPARK_HOME环境变量与您的Spark安装路径。
例如，
export SPARK_HOME=/usr/lib/spark |
|---|
您可以选择设置更多的环境变量
# set hadoop conf dir export HADOOP_CONF_DIR=/usr/lib/hadoop # set options to pass spark-submit command export SPARK_SUBMIT_OPTIONS="--packages com.databricks:spark-csv_2.10:1.2.0" # extra classpath. e.g. set classpath for hive-site.xml export ZEPPELIN_INTP_CLASSPATH_OVERRIDES=/etc/hive/conf |
|---|
对于Windows，确保你winutils.exe在%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解释器设置中编辑主属性。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sc，sqlContext并z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_OPTIONS在conf/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.conf | SPARK_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_OPTIONS在conf/zeppelin-env.shexport 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.confspark.jars /path/mylib1.jar,/path/mylib2.jarspark.jars.packages com.databricks:spark-csv_2.10:1.2.0spark.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和%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
%spark.dep z.reset() // clean up previously added artifact and repository // add maven repository z.addRepo("RepoName").url("RepoURL") // add maven snapshot repository z.addRepo("RepoName").url("RepoURL").snapshot() // add credentials for private maven repository z.addRepo("RepoName").url("RepoURL").username("username").password("password") // add artifact from filesystem z.load("/path/to.jar") // add artifact from maven repository, with no dependency z.load("groupId:artifactId:version").excludeAll() // add artifact recursively z.load("groupId:artifactId:version") // add artifact recursively except comma separated GroupID:ArtifactId list z.load("groupId:artifactId:version").exclude("groupId:artifactId,groupId:artifactId, ...") // exclude with pattern z.load("groupId:artifactId:version").exclude(*) z.load("groupId:artifactId:version").exclude("groupId:artifactId:*") z.load("groupId:artifactId:version").exclude("groupId:*") // local() skips adding artifact to spark clusters (skipping sc.addJar()) z.load("groupId:artifactId:version").local() |
|---|
ZeppelinContext
Zeppelin 在Scala / Python环境中自动注入ZeppelinContext变量z。ZeppelinContext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
// Put object from scala %spark val myObject = ... z.put("objName", myObject) // Exchanging data frames myScalaDataFrame = ... z.put("myScalaDataFrame", myScalaDataFrame) val myPythonDataFrame = z.get("myPythonDataFrame").asInstanceOf[DataFrame] |
|---|
Python 展开原码
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
%spark /* Create text input form */ z.input("formName") /* Create text input form with default value */ z.input("formName", "defaultValue") /* Create select form */ z.select("formName", Seq(("option1", "option1DisplayName"), ("option2", "option2DisplayName"))) /* Create select form with default value*/ z.select("formName", "option1", Seq(("option1", "option1DisplayName"), ("option2", "option2DisplayName"))) |
|---|
%spark.pyspark # Create text input form z.input("formName") # Create text input form with default value z.input("formName", "defaultValue") # Create select form z.select("formName", [("option1", "option1DisplayName"), ("option2", "option2DisplayName")]) # Create select form with default value z.select("formName", [("option1", "option1DisplayName"), ("option2", "option2DisplayName")], "option1") |
|---|
在sql环境中，可以在简单的模板中创建表单。%spark.sql 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python和pyspark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：
解释器设置选项
您可以选择其中之一shared，scoped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：
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在[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：spark.yarn.principalspark.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！