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，以及支持通常执行图的优化引擎。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	建立一个SparkContext并提供Scala环境
％spark.pyspark	PySparkInterpreter	提供Python环境
％spark.r	SparkRInterpreter	提供具备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解释器能够配置为由Zeppelin提供的属性。您还能够设置表中未列出的其余Spark属性。有关其余属性的列表，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。 空值使用全部可用的核心。
spark.executor.memory	1g	每一个worker实例的执行程序内存。 ex）512m，32g
zeppelin.dep.additionalRemoteRepository	spark-packages, https://dl.bintray.com/spark-packages/maven, false;	id,remote-repository-URL,is-snapshot; 每一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	若是设置为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	若是它是真的，使用HiveContext而不是SQLContext。
zeppelin.spark.importImplicit	true	导入含义，UDF集合和sql若是设置为true。

没有任何配置，Spark解释器在本地模式下开箱即用。可是，若是要链接到Spark群集，则须要按照如下两个简单步骤进行操做。

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

您能够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会自动建立并显示为变量名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能够做为变量使用。

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.经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做为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和飞艇能够经过这些选项spark-submit经过导出SPARK_SUBMIT_OPTIONS在conf/zeppelin-env.sh。二是从中读取配置选项SPARK_HOME/conf/spark-defaults.conf。用户能够设置分发库的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，而后搜索maven中心和由–repositories提供的任何其余远程存储库。 坐标的格式应该是groupId:artifactId:version。
spark.files	--files	要放置在每一个执行器的工做目录中的逗号分隔的文件列表。

如下是几个例子：

SPARK_SUBMIT_OPTIONS 在 conf/zeppelin-env.sh

export 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.conf

spark.jars /path/mylib1.jar,/path/mylib2.jar spark.jars.packages com.databricks:spark-csv_2.10:1.2.0 spark.files /path/mylib1.py,/path/mylib2.egg,/path/mylib3.zip

3.经过％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。因此咱们建议你改用第一个选项。

当你的代码须要外部库，而不是下载/复制/从新启动Zeppelin，你可使用%spark.dep解释器轻松地完成如下工做。

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（能够关闭）

解释器利用Scala环境。因此你能够在这里编写任何Scala代码。须要注意的是%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。因此你能够把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

表格创做

ZeppelinContext提供了建立表单的功能。在Scala和Python环境中，您能够以编程方式建立表单。

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")

?

1	在sql环境中，能够在简单的模板中建立表单。

%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。更多细节能够在python解释器文档中找到，由于matplotlib的支持是相同的。经过利用齐柏林内置的角度显示系统，能够经过pyspark进行更先进的交互式绘图，以下所示：

解释器设置选项

您能够选择其中之一shared，scoped以及isolated配置Spark解释器的选项。Spark解释器为每一个笔记本建立分离的Scala编译器，但在scoped模式（实验）中共享一个SparkContext。它在每一个笔记本isolated模式下建立分离的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进行通讯。

设置SPARK_HOME在[ZEPPELIN_HOME]/conf/zeppelin-env.sh使用火花提交（此外，您可能须要设置export HADOOP_CONF_DIR=/etc/hadoop/conf）

将如下两个属性添加到Spark configuration（[SPARK_HOME]/conf/spark-defaults.conf）中：

spark.yarn.principal spark.yarn.keytab

注意：若是您没有访问以上spark-defaults.conf文件的权限，能够选择地，您能够经过Zeppelin UI中的“解释器”选项卡将上述行添加到“Spark Interpreter”设置。