在Spark shell中基于Alluxio进行wordcount交互式分析

Spark是一个分布式内存计算框架，可部署在YARN或者MESOS管理的分布式系统中（Fully Distributed），也可以以Pseudo Distributed方式部署在单个机器上面，还可以以Standalone方式部署在单个机器上面。运行Spark的方式有interactive和submit方式。本文中所有的操作都是以interactive方式操作以Standalone方式部署的Spark。具体的部署方式，请参考Hadoop Ecosystem。

Alluxio是基于内存的分布式文件管理系统，整体层次在分布式文件系统（譬如说典型的HDFS）和分布式计算框架（譬如说典型的Spark）之间，号称能够提升性能10x倍。Alluxio可以以本地模式或者集群模式进行部署，本文中使用的是本地模式。具体的部署方式，请参考Hadoop Ecosystem。

目标：

能够通过Alluxio方式进行WordCount的操作。

前提：

存在一个文件，可通过Alluxio Browser（http://localhost:19999/home）查看。

配置Spark：

Step 1：完成Alluxio本身的安装，本文中使用本地模式。

Step 2：在Alluxio顶层目录中执行maven命令来构建Alluxio，如果网络不好，需要等待很长时间。

mvn clean package -Pspark -DskipTests

Step 3：配置spark-defaults.conf

cd /usr/share/spark/conf

vi spark-defaults.conf

spark.driver.extraClassPath /usr/local/alluxio/core/client/target/alluxio-core-client-1.3.0-jar-with-dependencies.jar
spark.executor.extraClassPath /usr/local/alluxio/core/client/target/alluxio-core-client-1.3.0-jar-with-dependencies.jar

Step 4：配置core-site.xml

cd /usr/share/spark/conf

vi core-site.xml

<configuration>
  <property>
    <name>fs.alluxio.impl</name>
    <value>alluxio.hadoop.FileSystem</value>
  </property>
</configuration>

步骤：

Step 1：进入Spark-shell交互式命令行。

spark-shell

Step 2：读取LICENSE文件，并check读取是否成功。如果不存在，则提示如下错误。

val s = sc.textFile("alluxio://localhost:19998/LICENSE")

s.count

Step 3：设定输出的文件个数并执行统计逻辑

val numOutputFiles = 128

val counts = s.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _, numOutputFiles)

Step 4：保存计算结果到Alluxio中

counts.saveAsTextFile("alluxio://localhost:19998/LICENSE_COUNT_ALLUXIO")

Step 5：在Alluxio Browser中查看结果

结论：

通过Alluxio，我们可以在Spark-shell中轻松地进行交互式的分析（word count统计）。

参考资料：

http://www.alluxio.org/docs/master/cn/Running-Spark-on-Alluxio.html

http://spark.apache.org/docs/latest/programming-guide.html

http://coe4bd.github.io/HadoopHowTo/sparkScala/sparkScala.html

http://coe4bd.github.io/HadoopHowTo/sparkJava/sparkJava.html