Apache Spark es un marco computacional distribuido de código abierto que se crea para proporcionar resultados computacionales más rápidos. Es un motor computacional en memoria, lo que significa que los datos se procesarán en la memoria.
Chispa admite varias API para transmisión, procesamiento de gráficos, SQL, MLLib. También es compatible con Java, Python, Scala y R como lenguajes preferidos. Spark se instala principalmente en clústeres de Hadoop, pero también puede instalar y configurar Spark en modo independiente.
En este artículo veremos cómo instalar Apache Spark en Debian y Ubuntu -distribuciones basadas.
Instalar Java y Scala en Ubuntu
Para instalar Apache Spark en Ubuntu, necesitas tener Java y Scala instalado en su máquina. La mayoría de las distribuciones modernas vienen con Java instalado por defecto y puedes verificarlo usando el siguiente comando.
$ java -version
Si no hay resultados, puede instalar Java utilizando nuestro artículo sobre cómo instalar Java en Ubuntu o simplemente ejecutar los siguientes comandos para instalar Java en distribuciones basadas en Ubuntu y Debian.
$ sudo apt update $ sudo apt install default-jre $ java -version
A continuación, puede instalar Scala desde el repositorio apt ejecutando los siguientes comandos para buscar scala e instalarlo.
$ sudo apt search scala ⇒ Search for the package $ sudo apt install scala ⇒ Install the package
Para verificar la instalación de Scala , ejecute el siguiente comando.
$ scala -version Scala code runner version 2.11.12 -- Copyright 2002-2017, LAMP/EPFL
Instalar Apache Spark en Ubuntu
Ahora vaya a la página oficial de descarga de Apache Spark y obtenga la última versión (es decir, 3.1.1) al momento de escribir este artículo. Alternativamente, puede usar el comando wget para descargar el archivo directamente en la terminal.
$ wget https://apachemirror.wuchna.com/spark/spark-3.1.1/spark-3.1.1-bin-hadoop2.7.tgz
Ahora abra su terminal y cambie a donde se encuentra su archivo descargado y ejecute el siguiente comando para extraer el archivo tar de Apache Spark.
$ tar -xvzf spark-3.1.1-bin-hadoop2.7.tgz
Finalmente, mueva la Spark extraída directorio a /opt directorio.
$ sudo mv spark-3.1.1-bin-hadoop2.7 /opt/spark
Configurar variables ambientales para Spark
Ahora debe establecer algunas variables ambientales en su .profile archivo antes de iniciar la chispa.
$ echo "export SPARK_HOME=/opt/spark" >> ~/.profile $ echo "export PATH=$PATH:/opt/spark/bin:/opt/spark/sbin" >> ~/.profile $ echo "export PYSPARK_PYTHON=/usr/bin/python3" >> ~/.profile
Para asegurarse de que estas nuevas variables de entorno estén accesibles dentro del shell y disponibles para Apache Spark, también es obligatorio ejecutar el siguiente comando para aplicar los cambios recientes.
$ source ~/.profile
Todos los archivos binarios relacionados con Spark para iniciar y detener los servicios están bajo el sbin carpeta.
$ ls -l /opt/spark
Inicie Apache Spark en Ubuntu
Ejecute el siguiente comando para iniciar Spark servicio maestro y servicio esclavo.
$ start-master.sh $ start-workers.sh spark://localhost:7077
Una vez que se inicie el servicio, vaya al navegador y escriba la siguiente página de chispa de acceso URL. Desde la página, puede ver que se inició mi servicio maestro y esclavo.
http://localhost:8080/ OR http://127.0.0.1:8080
También puede verificar si spark-shell funciona bien lanzando el spark-shell comando.
$ spark-shell
Eso es todo por este artículo. Te atraparemos con otro artículo interesante muy pronto.