windows上安装和运行spark scala
更多IT系统运维、大数据实战、项目管理、商务英语及应用知识，扫描下方二维码关注公众号了解更多！！！
本文主要记录windows系统上安装spark，scala，和intelj IDEA，并实现本地spark运行。同时介绍了利用maven构建工具对spark工程构建的方法。本地运行需要本地安装scala，spark，hadoop。而如果利用maven构建工具则只需要再maven的pom.xml配置好需要的scala，spark，hadoop版本信息，构建时自动导入相应依赖，常用于企业级的项目开发中。
一，安装篇
这部分介绍常规spark本地运行的必要软件安装。而如果你使用的是Maven构建工具，那么下面的步骤3，4，5都可以略过（由maven根据配置文件自动构建），我们只用安装最基本的1，2以及6环境变量中与JAVA相关的部分。maven安装见本节7。
本地安装部分更详细的可以参考：https://blog.csdn.net/u011513853/article/details/52865076
1，安装jdk,需要是jdk8（也被称为jdk1.8）
http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
环境变量：
创建JAVA_HOME：C:\Program Files\Java\jdk1.8.0_181
创建CLASSPATH：.;%JAVA_HOME%\lib;%JAVA_HOME%\lib\tools.jar(前面有个点号)
Path添加：%JAVA_HOME%\bin;
测试是否安装成功：打开cmd命令行，输入java -version
2，安装intelj IDEA并配置scala插件
https://www.jetbrains.com/idea/
IDEA安装完成后，安装scala插件：启动intelj -> 点击启动页configuration -> Plugins，或者file->setting->Plugins，搜索scala并安装插件。如果搜不到，可能是需要代理：Install JetBrains plugin... -> HTTP Proxy Settings设置代理。
安装完成后要重启IDEA。
3，安装spark
下载后解压到指定目录即可，这里我们选择2.2.0版本
http://spark.apache.org/downloads.html
环境变量：
创建SPARK_HOME：D:\spark-2.2.0-bin-hadoop2.7
Path添加：%SPARK_HOME%\bin
测试是否安装成功：打开cmd命令行，输入spark-shell
spark-shell时报错：error not found：value sqlContext。参考：https://www.liyang.site/2017/04/19/20170419-spark-error-01/
4，安装Hadoop
说明：如果你只是玩Spark On Standalone的话，就不需要安装hadoop，如果你想玩Spark On Yarn或者是需要去hdfs取数据的话，就应该先装hadoop。关于spark和hadoop的关系，强烈推荐这篇博客：Spark是否会替代Hadoop?
安装上面spark对应版本的hadoop 2.7:http://www.apache.org/dyn/closer.cgi/hadoop/common/hadoop-2.7.7/hadoop-2.7.7.tar.gz
解压到指定目录即可。
环境变量：
创建HADOOP_HOME：D:\hadoop-2.7.7
Path添加：%HADOOP_HOME%\bin
测试是否安装成功：打开cmd命令行，输入hadoop
hadoop测试时报错：Error: JAVA_HOME is incorrectly set。参考：https://blog.csdn.net/qq_24125575/article/details/76186309
5，安装scala SDK
其版本应与上面spark/jars/中scala版本一致，2.2.0版本spark对应的scala版本位2.11.8，https://www.scala-lang.org/download/2.11.8.html
上面链接中提到了多种scala的安装方式，比较省事的是通过已经安装好scala插件的intelj IDEA安装scala SDK（注意区分插件和SDK）：File => New => Project，选择scala，输入工程名，如果是第一次新建scala工程，会有一个scala SDK的Create按钮，然后选择需要的版本安装。
而我使用的是安装包安装方式：
环境变量：
创建SCALA_HOME: C:\Program Files (x86)\scala
Path添加：;%SCALA_HOME%\bin; %JAVA_HOME%\bin;;%HADOOP_HOME%\bin
测试是否安装成功：打开cmd命令行，输入scala
7，maven构建工具安装（如果不用maven构建工具，不用装）
http://maven.apache.org/download.cgi
也是下载后解压即可。
环境变量：
MAVEN_HOME = D:\apache-maven-3.5.4
MAVEN_OPTS = -Xms128m -Xmx512m
path添加：%MAVEN_HOME%\bin
测试是否安装成功：打开cmd，输入mvn help:system
二，开发篇
下面介绍本地spark开发的示例，虽然spark是处理大数据的，常常在大型计算机集群上运行，但本地spark方便调试，可以帮助我们学习相关的语法。maven构建工具的开发流程可以参看：https://blog.csdn.net/u012373815/article/details/53266301
打开idea, file=>new=>project=>选择scala工程，选择IDEA=>输入工程名(如test)，路径，JDK选刚刚安装的1.8，scala SDK选刚刚安装的scala-sdk-2.11.8(或者点右边的create，选择你想要的版本下载)=>finish
再src上右键=>new=>scala class=>选下拉框scala object，输入类名。
输入测试代码，这是一段分组排序的代码：
import org.apache.spark.{SparkContext,SparkConf}
object Sort {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("GroupSort")
val sc = new SparkContext(conf)
val test =List(("key1","123",12,2,0.13),("key1","123",12,3,0.18),("key2","234",12,1,0.09),("key1","345",12,8,0.75),("key2","456",12,5,0.45))
val rdd = sc.parallelize(test)
val rdd1= rdd.map(l => (l._1, (l._2, l._3, l._4, l._5))).groupByKey()
.flatMap(line => {
val topItem = line._2.toArray.sortBy(_._4)(Ordering[Double].reverse)
topItem.map(f=>(line._1,f._1,f._4)).toList
})
rdd1.foreach(println)
sc.stop()
}
}
设置本地模式：run=>edit configrations=>Application=>选择我们应用，VM options上添加-Dspark.master=local -Dspark.app.name=test
包含spark和scala sdk: 工程目录右键=>open module settings=> project settings=> libraries=>"+"=>java=>选择spark安装目录下的jars文件夹=>确认。同样地，“+”=>scala sdk =>选择需要的scala sdk(与spark版本对应的sdk)=>确认。
运行代码：
三，问题集锦：
1, import org.apache.spark.SparkContext引入了包，但下面代码connot resolve symbol SparkContext.（IDEA环境下,maven工程）
问题检查：工程目录右键->open module setting->project setting->libraries，发现左侧没有包含任何依赖库。
解决方法：如果是maven工程，则工程目录右键->maven->reimport。这个时候会自动下载相关依赖。相关依赖在.m2的repository文件夹下。如果是普通scala工程，按前面“开发篇”介绍的：工程目录右键=>open module settings=> project settings=> libraries=>"+"=>java=>选择spark安装目录下的jars文件夹=>确认。同样地，“+”=>scala sdk =>选择需要的scala sdk(与spark版本对应的sdk)=>确认。
思考：maven真的很强大，比如安装了scala插件后，不许要安装scala JDK，直接利用maven pom.xml配置好scala的版本，自动下载相应的scala的包。这样做有利于大型工程协助，同一个pom.xml文件可以保证大家都在同样的依赖库环境下开发。
2, 全局变量要谨慎，尤其是Buffer类型，因为你不知道它可能被塞进多少东西，除非你真的需要。
例如：
val data_set: RDD[(String, String, Int, Int)] = raw_rdd.map(generate_instance_per_line(_, configure))
其中generate_instance_per_line函数里对一个globalListBuffer全局变量进行了append操作，那么每一个map都会执行一次append.
3, SparkException: An application name must be set in your configuration
解决方法:
进入:Run > Edit Configurations... > Application > "My project name" > Configuraton,
设置VM options项为-Dspark.master=local.
-Dspark.master=local:表示设置我的spark程序以local模式运行
4，java.lang.NoClassDefFoundError: org/apache/spark/SparkContext
import org.apache.spark.SparkConf没有报错，但运行时报上面NoClassDefFoundError错误。
解决办法：maven工程build的包有provided和compile两种模式，provided用于：运行环境已经有了相应的包，所以没有必要在build时把相关的包打包进来，减少jar包的体积。本地运行时，需要把provide改成complie。或者IDEA提供了更方便的做法：
