快速入门:使用 Azure 门户在 HDInsight 中创建 Spark 群集

了解如何在 Azure HDInsight 中创建 Apache Spark 群集,以及如何对 Hive 表运行 Spark SQL 查询。 通过 Apache Spark 可以使用内存处理进行快速数据分析和群集计算。 有关 Spark on HDInsight 的信息,请参阅概述:Azure HDInsight 上的 Apache Spark

在此快速入门中,使用 Azure 门户创建 HDInsight Spark 群集。 群集将 Azure 存储 Blob 用作群集存储。

Important

HDInsight 群集是基于分钟按比例收费,而不管用户是否正在使用它们。 请务必在使用完之后删除群集。 有关详细信息,请参阅本文的清理资源部分。

如果没有 Azure 订阅,可以在开始前创建一个试用帐户

创建 HDInsight Spark 群集

  1. 在 Azure 门户中,选择“创建资源” > “数据 + 分析” > “HDInsight”。

    Azure 门户上的 HDInsight

  2. 在“基本”下,提供以下值:

    属性 说明
    群集名称 为 HDInsight Spark 群集命名。 用于此快速入门的群集名称为“myspark20180403”。
    订阅 从下拉列表中,选择用于此群集的 Azure 订阅。 用于此快速入门的订阅是 <Azure 订阅。
    群集类型 展开该项目,然后选择“Spark”作为群集类型,并指定 Spark 群集版本。
    Slect HDInsight clsuter type
    群集登录用户名 输入群集登录用户名。 默认名称为 admin。在此快速入门中稍后使用该帐户登录到 Jupyter notebook。
    群集登录密码 输入群集登录密码。
    安全外壳 (SSH) 用户名 输入 SSH 用户名。 用于此快速入门的 SSH 用户名为“sshuser”。 默认情况下,此帐户的密码与群集登录用户名帐户的密码相同。
    资源组 指定是要创建新的资源组还是使用现有的资源组。 资源组是用于保存 Azure 解决方案相关资源的容器。 用于此快速入门的资源组名称为“myspark20180403rg”。
    位置 选择资源组的位置。 模板将此位置用于创建群集,以及用于默认群集存储。 用于此快速入门的位置为“中国东部”。

    创建 HDInsight Spark 群集基本配置

    选择“下一步”,转到“存储”页。

  3. 在“存储”下,提供以下值:

    • 选择存储帐户:选择“新建”,然后为新存储帐户命名。 用于此快速入门的存储帐户名称为“myspark20180403store”。

      创建 HDInsight Spark 群集存储配置

      Note

      屏幕截图上显示“选择现有”。 可以在“新建”和“选择现有”之间切换此链接。

      默认容器具有默认名称。 可以根据需要更改此名称。

      选择“下一步”,转到“摘要”页。

  4. 在“摘要”页上,选择“创建”。 创建群集大约需要 20 分钟时间。 必须先创建群集,才能继续下一会话。

如果在创建 HDInsight 群集时遇到问题,可能是因为没有这样做的适当权限。 有关详细信息,请参阅访问控制要求

创建 Jupyter 笔记本

Jupyter Notebook 是支持各种编程语言的交互式笔记本环境。 通过此笔记本可以与数据进行交互、结合代码和 markdown 文本以及执行简单的可视化效果。

  1. 打开 Azure 门户
  2. 选择“HDInsight 群集”,然后选择所创建的群集。

    在 Azure 门户中打开 HDInsight 群集

  3. 在门户中,选择“群集仪表板”,然后选择“Jupyter Notebook”。 出现提示时,请输入群集的群集登录凭据。

    打开 Jupyter Notebook 来运行交互式 Spark SQL 查询

  4. 选择“新建” > “PySpark”,创建笔记本。

    创建 Jupyter Notebook 来运行交互式 Spark SQL 查询

    新笔记本随即已创建,并以 Untitled(Untitled.pynb) 名称打开。

运行 Spark SQL 语句

SQL(结构化查询语言)是用于查询和定义数据的最常见、最广泛使用的语言。 Spark SQL 作为 Apache Spark 的扩展使用,可使用熟悉的 SQL 语法处理结构化数据。

  1. 验证 kernel 已就绪。 如果在 Notebook 中的内核名称旁边看到空心圆,则内核已准备就绪。 实心圆表示内核正忙。

    HDInsight Spark 中的 Hive 查询

    首次启动 Notebook 时,内核在后台执行一些任务。 等待内核准备就绪。

  2. 将以下代码粘贴到一个空单元格中,然后按 SHIFT + ENTER 来运行这些代码。 此命令列出群集上的 Hive 表:

    %%sql
    SHOW TABLES
    

    将 Jupyter Notebook 与 HDInsight Spark 群集配合使用时,会获得一个预设的 sqlContext,可以使用它通过 Spark SQL 来运行 Hive 查询。 %%sql 指示 Jupyter Notebook 使用预设 sqlContext 运行 Hive 查询。 该查询从默认情况下所有 HDInsight 群集都带有的 Hive 表 (hivesampletable) 检索前 10 行。 需要大约 30 秒才能获得结果。 输出如下所示:

    HDInsight Spark 中的 Hive 查询

    每次在 Jupyter 中运行查询时,Web 浏览器窗口标题中都会显示“(繁忙)”状态和 Notebook 标题。 右上角“PySpark”文本的旁边还会出现一个实心圆。

  3. 运行另一个查询,请查看 hivesampletable 中的数据。

    %%sql
    SELECT * FROM hivesampletable LIMIT 10
    

    屏幕在刷新后会显示查询输出。

    HDInsight Spark 中的 Hive 查询输出

  4. 请在 Notebook 的“文件”菜单中选择“关闭并停止”。 关闭 Notebook 会释放群集资源。

清理资源

HDInsight 将数据保存在 Azure 存储中,因此可以在群集不用时安全地删除群集。 此外,还需要支付 HDInsight 群集费用,即使未使用。 由于群集费用数倍于存储空间费用,因此在群集不用时删除群集可以节省费用。 如果要立即开始后续步骤中所列的教程,可能需要保留群集。

切换回 Azure 门户,并选择“删除”。

删除 HDInsight 群集

还可以选择资源组名称,打开“资源组”页,然后选择“删除资源组”。 通过删除资源组,可以删除 HDInsight Spark 群集和默认存储帐户。

后续步骤

本快速入门介绍了如何创建 HDInsight Spark 群集并运行基本的 Spark SQL 查询。 转到下一教程,了解如何使用 HDInsight Spark 群集针对示例数据运行交互式查询。