windows下Idea结合maven开发spark和本地调试

本人的开发环境：

1.虚拟机centos 6.5

2.jdk 1.8

3.spark2.2.0

4.scala 2.11.8

5.maven 3.5.2

    在开发和搭环境时必须注意版本兼容的问题，不然会出现很多莫名其妙的问题

1.启动master进程

./sbin/start-master.sh

2.启动worker进程

./bin/spark-class org.apache.spark.deploy.worker.Worker spark://hadoop000:7077

【注意，spark://hadoop000:7077，是在启动master进程后，通过localhost:8080登陆到spark WebUI上查看的。】

第一第二点是运行环境的前提条件，下面是开发环境。

1.idea结合maven开发spark，下面以NetWorldCount为例子

package com.spark

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * Spark Streaming处理Socket数据
  * 测试： nc
  */
object NetworkWordCount {

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

    val sparkConf = new SparkConf().setMaster("local").setAppName("NetworkWordCount")

    /**
      * 创建StreamingContext需要两个参数：SparkConf和batch interval
      */
    val ssc = new StreamingContext(sparkConf, Seconds(5))

    val lines = ssc.socketTextStream("localhost", 6789)

    val result = lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)

    result.print()

    ssc.start()
    ssc.awaitTermination()
  }
}

2.生成jar包

 3.上传jar包

4.提交任务前先启动监听端口，在终端输入以下命令

nc -lk 6789

5.提交任务

./spark-submit  --master local[2] --class com.spark.NetworkWordCount --name NetworkWordCount  /home/hadoop/tmp/spark.jar

运行程序，出现下面的错误：

a.local这里出错。原因简单来说，local模式下只开启一条线程，reciver占用一条线程后，没有资源用来计算处理数据了。

解决办法：local--->local[2]

b.缺少com.fasterxml.jackson.scala这个方法

解决办法：

1.查看这个类的版本：view--->maven project--->--->.然后在pom.xml增加对应的dependency

<dependency>
  <groupId>com.fasterxml.jackson.module</groupId>
  <artifactId>jackson-module-scala_2.11</artifactId>
  <version>2.6.5</version>
</dependency>

重新reimport，再次运行。出现以下错误

去maven reposition查找对应的依赖：

在这里，使用1.3.0版本的。

在pom.xml添加以下的 dependency

<dependency>
  <groupId>net.jpountz.lz4</groupId>
  <artifactId>lz4</artifactId>
  <version>1.3.0</version>
</dependency>

重新reimport，再次运行。这次程序正常运行。

输入数据：

接受数据:

至此，windows下，idea结合maven开发spark+调试过程 完整跑了一遍。

下面分析

 val sparkConf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount") 

 在本地调试中，输入源除了 fileStream外，必须local[n]， n >= 2 。

 在spark中，输入源除了 fileStream ，其他的都继承自 ReceiverInputDStream ，因此其他都需要至少两条线程（针对local模式）以上来供程序使用。

def fileStream[
  K: ClassTag,
  V: ClassTag,
  F <: NewInputFormat[K, V]: ClassTag
] (directory: String): InputDStream[(K, V)] = {
  new FileInputDStream[K, V, F](this, directory)
}

例如本例子中使用的 socketTextStream

def socketTextStream(
    hostname: String,
    port: Int,
    storageLevel: StorageLevel = StorageLevel.MEMORY_AND_DISK_SER_2
  ): ReceiverInputDStream[String] = withNamedScope("socket text stream") {
  socketStream[String](hostname, port, SocketReceiver.bytesToLines, storageLevel)
}