Cómo instalar y configurar Apache Spark en Ubuntu/Debian


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.

Spark 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 distribuciones basadas en Debian y Ubuntu.

Instalar Java y Scala en Ubuntu

Para instalar Apache Spark en Ubuntu, necesita tener Java y Scala instalados 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 salida, puede instalar Java usando nuestro artículo sobre cómo instalar Java en Ubuntu o simplemente ejecutar los siguientes comandos para instalar Java en Ubuntu y distribuciones basadas en Debian.

$ sudo apt update
$ sudo apt install default-jre
$ java -version

A continuación, puede instalar Scala desde el repositorio de 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 al comando oficial 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 coloca 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 el directorio Spark extraído al directorio/opt.

$ sudo mv spark-3.1.1-bin-hadoop2.7 /opt/spark

Configurar variables ambientales para Spark

Ahora debe establecer algunas variables ambientales en su archivo .profile 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 sean accesibles dentro del shell y estén disponibles para Apache Spark, también es obligatorio ejecutar el siguiente comando para que los cambios recientes surtan efecto.

$ source ~/.profile

Todos los binarios relacionados con Spark para iniciar y detener los servicios se encuentran en la carpeta sbin.

$ ls -l /opt/spark

Inicie Apache Spark en Ubuntu

Ejecute el siguiente comando para iniciar el servicio maestro y el servicio esclavo de Spark.

$ start-master.sh
$ start-workers.sh spark://localhost:7077

Una vez que se inicia el servicio, vaya al navegador y escriba la siguiente página de chispa de acceso a 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 comprobar si spark-shell funciona bien ejecutando el comando spark-shell.

$ spark-shell

Eso es todo por este artículo. Lo encontraremos con otro artículo interesante muy pronto.