Ликбез про apache spark
Юрий Медведев
Как всегда дело было поздней ночью, была такая не тривиальная задача обработать файлы логов(общий объем около 70 Гб текстовых файлов и архивов)
Начал в голове перебирать как можно сделать да еще и побыстрому. Вспомнился hadoop, но и вспомнилось его настройка, стало как-то не по себе и в голове звучала тревожная музыка. Google помог и я наткнулся на интересный проект Apache Spark. Описание из Вики
Apache Spark — каркас приложений с открытым исходным кодом. Библиотека предназначена для создания распределённых приложений, однако в отличии от Hadoop, реализующего двухуровневую концепцию MapReduce с дисковым хранилищем, использует примитивы в оперативной памяти, благодаря чему позволяет получать стократный выигрыш в скорости работы в определённых приложениях. Возможность многократного доступа к загруженным в память пользовательским данным делает библиотеку привлекательной для алгоритмов машинного обучения. Полазил по их документации
http://spark.apache.org/docs/latest/
Думаю, а ведь то что надо и потрогаю что-то новое. Сказано сделано, поднимаю vpn тунель, захожу на ipmi и для простоты установил Ubuntu так для тестов. Далее уже работал по ssh
Установка Apache Для простоты установки будет использоваться Ubuntu. Вначале нам необходимо установить репозитарии Java 
$ sudo apt-add-repository ppa:webupd8team/java

$ sudo apt-get update

$ sudo apt-get install oracle-java7-installer

$ sudo apt-get update
Так же нам необходимо установить git 
$ sudo apt-get install git
На этом подготовительные работы завершены и мы можем приступать к установки Apache Spark По шагам: 1) Переходим в домашний каталог 
cd ~
2) Создадим директорию, куда будет скачен дистрибутив 
mkdir spark  .&& cd spark/
 
wget http://mirror.tcpdiag.net/apache/spark/spark-1.2.0/spark-1.2.0.tgz
3) После скачивания распаковываем и 
gunzip -c spark-1.2.0.tgz | tar -xvf —

cd spark-1.2.0/

4) Установка и копирование на «постоянное место жительства» 
sudo sbt/sbt assembly

cd ..

sudo cp -Rp spark-1.2.0 /usr/local/

 cd /usr/local/

sudo ln -s spark-1.2.0 spark
Дабы не противоречить постулатам Unix не будем работать от root и создадим специального пользователя и ключи для него 
sudo addgroup spark

sudo useradd -g spark spark

sudo adduser spark sudo

sudo mkdir /home/spark

sudo chown spark:spark /home/spark

Добавим в sudo 
visudo

spark ALL=(ALL) NOPASSWD:ALL

sudo chown -R spark:spark /usr/local/spark/
Логинимся нашим пользователем и генерируем ключи 
sudo su spark

ssh-keygen -t rsa -P «»

cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
Делаем служебные папки 
sudo mkdir -p /srv/spark/{logs,work,tmp,pids}

sudo chown -R spark:spark /srv/spark

sudo chmod 4755 /srv/spark/tmp

Теперь нужно настроить Spark 
cd /usr/local/spark/conf/

cp -p spark-env.sh.template spark-env.sh

vim spark-env.sh

export SPARK_WORKER_CORES="2"

export SPARK_WORKER_MEMORY="1g"

export SPARK_DRIVER_MEMORY="1g"

export SPARK_REPL_MEM="2g"

export SPARK_WORKER_PORT=9000

export SPARK_CONF_DIR="/usr/local/spark/conf"

export SPARK_TMP_DIR="/srv/spark/tmp"

export SPARK_PID_DIR="/srv/spark/pids"

export SPARK_LOG_DIR="/srv/spark/logs"

export SPARK_WORKER_DIR="/srv/spark/work"

export SPARK_LOCAL_DIRS="/srv/spark/tmp"

export SPARK_COMMON_OPTS="$SPARK_COMMON_OPTS -Dspark.kryoserializer.buffer.mb=32 "

LOG4J="-Dlog4j.configuration=file://$SPARK_CONF_DIR/log4j.properties"

export SPARK_MASTER_OPTS=" $LOG4J -Dspark.log.file=/srv/spark/logs/master.log "

export SPARK_WORKER_OPTS=" $LOG4J -Dspark.log.file=/srv/spark/logs/worker.log "

export SPARK_EXECUTOR_OPTS=" $LOG4J -Djava.io.tmpdir=/srv/spark/tmp/executor "

export SPARK_REPL_OPTS=" -Djava.io.tmpdir=/srv/spark/tmp/repl/\$USER "

export SPARK_APP_OPTS=" -Djava.io.tmpdir=/srv/spark/tmp/app/\$USER "

export PYSPARK_PYTHON="/usr/bin/python"

SPARK_PUBLIC_DNS="DNS RECORD"

export SPARK_WORKER_INSTANCES=2
Далее 
cp -p spark-defaults.conf.template spark-defaults.conf

vim spark-defaults.conf

spark.master spark://DNS RECORD:7077

spark.executor.memory 512m

spark.eventLog.enabled true

spark.serializer org.apache.spark.serializer.KryoSerializer

На этом установка закончена и можно запускать spark 
cd /usr/local/spark/sbin

sbin/start-all.sh

Веб интерфейс со статистикой будет доступен по адресу 
http://DNS RECORD:8080/

Чтобы меньше было отладочной информации необходимо сделать следующее 
cd /usr/local/spark/conf

cp log4j.properties.template log4j.properties

И испрвить строку с 
log4j.rootCategory=INFO, console
на 
log4j.rootCategory=ERROR, console

Тем самым в логи будут писаться только ошибки. Вроде все установлено и настроено, но что с этим делать? По Spark пишут на Scala, но я мягко говоря плохо знаю scala, да и разбираться не было времени, поискал нашел, что можно писать на python
https://spark.apache.org/docs/latest/api/python/index.html
Писать достаточно просто, свой код показать не могу по ряду причин, ибо подписывал о неразглашении.
Мне хватило посмотреть официальные примеры https://github.com/apache/spark/tree/master/examples/src/main/python
В частности пример подсчета слов 
from __future__ import print_function

import sys

from operator import add

from pyspark import SparkContext

if __name__ == "__main__":

    if len(sys.argv) != 2:

        print("Usage: wordcount <file>", file=sys.stderr)

        exit(-1)

    sc = SparkContext(appName="PythonWordCount")

    lines = sc.textFile(sys.argv[1], 1)

    counts = lines.flatMap(lambda x: x.split(' ')) \

                  .map(lambda x: (x, 1)) \

                  .reduceByKey(add)

    output = counts.collect()

    for (word, count) in output:

        print("%s: %i" % (word, count))

    sc.stop()
 Как вы видите, изящно и просто. Если кого-либо возбудил к изучению этого зверя просто прекрасно.
Да и сообщество будет только радо, новым адептам.
Такой вот маленький ликбез, кстати время потратил на все это порядка 5 часов, не считая перерывы на кофе и перекуры :)
Юрий Медведев около 2 лет назадСпасибо 1
0 чел.