小白学习Spark系列二：spark应用打包傻瓜式教程（IntelliJ+maven 和 pycharm+jar）
在做spark项目时，我们常常面临如何在本地将其打包，上传至装有spark服务器上运行的问题。下面是我在项目中尝试的两种方案，也踩了不少坑，两者相比，方案一比较简单，本博客提供的jar包适用于spark版本2.0以下的，如果jar包和版本不对应会出现找不到类或方法等错误提示信息，它主要借助于eclipse和现成的jar包进行打包应用，只能从官网上下载对应的jar包，局限很大。方案二是借助于IntelliJ + maven方式，它只要配置好pom.xml文件，在文件中写明自己的运行环境即可，通用（推荐），另外IntelliJ软件炒鸡好用，建议大家不要由于自己习惯哪款软件就先入为主。
1.准备工作
scala：在本机上装scala，下载链接 https://www.scala-lang.org/download/ ，如果是在windows下，请下载 msi 版本。
jdk：下载链接 https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
如果是需要在本地打包后上传至装有spark的服务器上运行，则务必保证本地和服务器上版本保持一致，否则会导致找不到类或方法等错误。
2. 方案一：eclipse打jar包（适用于spark2.0以下）
（1）安装 eclipse和配置完java环境后，在工具栏 Help -> Install New Software，输入scala ，通过链接下载运行scala代码的插件。
（2）下载插件后，新建一个scala工程，测试Spark程序，统计单词个数。
（3）在工程下新建目录 lib，将两个jar包（hadoop-0.20.2-CDH3B4-core.jar，spark-assembly-1.6.3-SNAPSHOT-hadoop2.5.0-cdh5.3.2.jar）拷贝到 lib 下，选中这两个jar包右击 Build Path，加到Referenced Libraries中。
jar包下载链接：https://pan.baidu.com/s/1dQjJR8vtl01wp6JLEgRp3w 密码：20hh
（4）选中工程，右击，选中Export，选择JAR 文件->Next，只选择src文件，填写保存位置和名字。
（5）把jar包传到安装有spark的服务器目录下，写好submit脚本（如下图所示），这里我新建了Jar目录，把jar包放到该目录下，后面紧接着是传递给函数的一个参数（文件路径），执行该脚本。
（6）如果出现 找不到类等错误，一般就是版本出现了问题。我在eclipse中加载了hadoop和assmbly的jar包后也提示了该错误，当时没选择对scala的版本，可通过如下方式改变其版本，选中 scala library container后右击 properties，选择2.10.6版本。当然，你需要这些版本和服务器上装有的spark、scala、hadoop版本一致才可以。这种方式需要从网上找版本一致的jar包，体验很差，不推荐。
2. 方案二：IntelliJ + maven（推荐）
（1）安装IntelliJ
下载链接 https://www.jetbrains.com/idea/download/#section=windows，选用右边的Community版本就ok。
（2）安装IntelliJ中的scala插件
如果在主界面可通过 File -> Settings -> Plugins -> Browse respositories 的方式安装scala插件，具体如下图所示。由于这里我已经安装完毕，所以没有显示 Install 按钮。如果刚装完 IntelliJ，进入初始界面，可选择右下方的Configure -> Plugins 来安装scala插件。
（3）新建maven项目
最新的IntelliJ中一般都会安装有maven，这里通过 File -> New -> Project -> Maven 新建maven项目，在配置maven页面需选中复选框，选择scala-archetype-simple:1.2 ，点击next，填写信息自己随意起名字就好，无碍。在配置maven环境这块需要勾选两个复选框，再选择合适的maven路径和setting files路径，一般是在安装IntelliJ目录下的plugins中可以找到。具体如下图所示：
（4）配置maven项目的pom.xml文件
注意：当你配置完xml信息后，右下角这里会提示import changes，点击它，等待页面最下面Running信息加载完就可以到下一步了。否则不能及时同步xml中的配置，会导致打包失败（亲测）。配置文件信息如下，方便大家自行粘贴。我这里配置的spark版本是 2.1.1， scala版本 2.11，hadoop 版本 2.7.3，这里需要和服务器上版本一致，如果不知道服务器上spark信息，可以输入命令行 spark-shell 查看。hadoop可通过 hadoop version 查看。
<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>com.test</groupId> <artifactId>Test</artifactId> <version>1.0-SNAPSHOT</version> <properties> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <spark.version>2.1.1</spark.version> <scala.version>2.11</scala.version> <hadoop.version>2.7.3</hadoop.version> </properties> <dependencies> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_${scala.version}</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_${scala.version}</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-hive_${scala.version}</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming_${scala.version}</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.7.3</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka_${scala.version}</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-mllib_${scala.version}</artifactId> <version>${spark.version}</version> </dependency> </dependencies> <build> <sourceDirectory>src/main/scala</sourceDirectory> <testSourceDirectory>src/test/scala</testSourceDirectory> </build> </project>
（5）在test目录下右键选择scala script新建scala类，如果没有scala script，则新建一个空白文件，名字和文件中的类名需一致，这里随意起个名字WordCount，用 .scala 作为后缀名。然后会提示没有Scala SDK，按照提示点击Setup Scala SDK安装即可。scala文件内容如下。
package com.test
import org.apache.spark.{SparkContext, SparkConf}
object WordCount {
def main(args: Array[String]) {
/**
* SparkContext 的初始化需要一个SparkConf对象
* SparkConf包含了Spark集群的配置的各种参数
*/
val conf = new SparkConf().setAppName("testRdd")//设置本程序名称
//.setMaster("local") 设置单线程模式
//Spark程序的编写都是从SparkContext开始的
val sc = new SparkContext(conf)
val data = sc.textFile("hdfs:///user/aisearch/user/zhengkaiyu001/graph_scala/conf/entity_params")//读取本地文件
data.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)//循环打印
}
}
这里注意下目录结构，com和test是上下级目录，这样在下面打包过程中会出现些问题，同时我会说下是怎么解决的。
（6）开始打包
- File -> Project Structure -> Artifacts -> + -> JRE -> From modules with dependencies -> ok ，具体信息如下图所示。
- 在通过Search by Name选择主类的时候，会自动提供出项目中是主类的可选项，但是如果上一步骤中的目录结构是上下级时，就没有自动提示信息，打包会失败。那该如何解决呢？原因其实没有根据 pom.xml 配置文件及时更新，所以打开配置文件可以选择删除一行，右下方出现 import changes 后点击，等待加载完毕后再把那行粘贴上（也可以调出maven project （file->setting->appearance->show tool windows bar）->clean 后，再选中项目右击->maven->Reimport）。这样目录就变为com.test。再重复打包过程就会有自动提示主类的信息，选择主类后点击ok。
- 在进行打包设置时，只留下'Test' compile output 和Test.jar包，将其他jar包都删除，output directory是jar包的输出路径。
- Build：这里注意是 Build Artifacts，选择build 或者 rebuild，其实rebuild的作用是当你变动了代码，可直接rebuild重新打包，无须重新配置打包环境。
- 打包过程中会提示错误信息，把多余的文件test目录下的和main目录下的App删除即可。
，
（7）运行
把输出的jar包上传至装有spark的服务器，这里我是新建了个目录，把jar包传到Jars目录下，运行命令见如下所示的脚本文件：
注意踩坑：
- 当配置pom.xml后一定要import changes（在打包过程中才会默认有选择的主类），如果应用没有及时import changes，你可以调出maven project （file->setting->appearance->show tool windows bar）->clean 后，再选中项目右击->maven->Reimport
- pom.xml文件中的版本号需要和服务器上的各版本一一对应
参考博客：
https://blog.csdn.net/xingyx1990/article/details/80752041
