在 Azure HDInsight 上的 Apache Spark 群集中使用 Apache Zeppelin 笔记本

HDInsight Spark 群集包括 Apache Zeppelin 笔记本。 使用笔记本运行 Apache Spark 作业。 本文介绍如何在 HDInsight 群集中使用 Zeppelin 笔记本。

先决条件

• HDInsight 上的 Apache Spark 群集。 有关说明，请参阅在 Azure HDInsight 中创建 Apache Spark 群集。
• 群集主存储的 URI 方案。 对于 Azure Blob 存储，此方案为 wasb://；对于 Azure Data Lake Storage Gen2，此方案为 abfs://。 如果为 Blob 存储启用了安全传输，则 URI 将为 wasbs://。 有关详细信息，请参阅在 Azure 存储中要求安全传输。

启动 Apache Zeppelin 笔记本

1. 在 Spark 群集的“概述”中，从群集仪表板选择“Zeppelin 笔记本”。 输入群集的管理员凭据。

   注意

   也可以在浏览器中打开以下 URL 来访问群集的 Zeppelin 笔记本。 将 CLUSTERNAME 替换为群集的名称：

   https://CLUSTERNAME.azurehdinsight.cn/zeppelin

2. 创建新的笔记本。 在标题窗格中，导航到“笔记本”>“创建新笔记”。

   

   输入笔记本的名称，然后选择“创建笔记”。

3. 确保笔记本标题显示“已连接”状态。 该状态由右上角的一个绿点表示。

   

4. 将示例数据载入临时表。 在 HDInsight 中创建 Spark 群集时，系统会将示例数据文件 hvac.csv 复制到 \HdiSamples\SensorSampleData\hvac 下的关联存储帐户。

   将以下代码段粘贴到新笔记本中默认创建的空白段落处。

   %livy2.spark
   //The above magic instructs Zeppelin to use the Livy Scala interpreter
   
   // Create an RDD using the default Spark context, sc
   val hvacText = sc.textFile("wasbs:///HdiSamples/HdiSamples/SensorSampleData/hvac/HVAC.csv")
   
   // Define a schema
   case class Hvac(date: String, time: String, targettemp: Integer, actualtemp: Integer, buildingID: String)
   
   // Map the values in the .csv file to the schema
   val hvac = hvacText.map(s => s.split(",")).filter(s => s(0) != "Date").map(
       s => Hvac(s(0),
               s(1),
               s(2).toInt,
               s(3).toInt,
               s(6)
       )
   ).toDF()
   
   // Register as a temporary table called "hvac"
   hvac.registerTempTable("hvac")
   

   按 SHIFT + ENTER 或为段落选择“播放”按钮以运行代码片段。 段落右上角的状态应从“就绪”逐渐变成“挂起”、“正在运行”和“已完成”。 输出会显示在同一段落的底部。 屏幕截图如下图所示：

   

   也可以为每个段落提供标题。 在段落的右侧一角，选择“设置”图标（齿轮图标），然后选择“显示标题”。

   注意

   所有 HDInsight 版本中的 Zeppelin 笔记本均不支持 %spark2 解释器，HDInsight 4.0 及更高版本不支持 %sh 解释器。

5. 现在可以针对 hvac 表运行 Spark SQL 语句。 将以下查询粘贴到新段落中。 该查询将检索建筑物 ID， 以及每栋建筑物在指定日期的目标温度与实际温度之间的差异。 按 SHIFT + ENTER。

   %sql
   select buildingID, (targettemp - actualtemp) as temp_diff, date from hvac where date = "6/1/13"
   

   开头的 %Sql 语句告诉笔记本要使用 Livy Scala 解释器。

6. 选择“条形图”图标以更改显示内容。 使用“设置”（选择“条形图”后显示）可以选择“键”和“值”。 以下屏幕快照显示了输出。

   

7. 还可以在查询中使用变量来运行 Spark SQL 语句。 以下代码片段演示如何在查询中使用可以用来查询的值定义 Temp 变量。 首次运行查询时，下拉列表中会自动填充你指定的变量值。

   %sql  
   select buildingID, date, targettemp, (targettemp - actualtemp) as temp_diff from hvac where targettemp > "${Temp = 65,65|75|85}"
   

   将此代码段粘贴到新段落，并按 SHIFT + ENTER。 然后，从“温度”下拉列表中选择“65”。

8. 选择“条形图”图标以更改显示内容。 然后选择“设置”并进行以下更改：

   • 组：添加 targettemp。

   • 值： 1. 删除 date。 2. 添加 temp_diff。 3. 将聚合器从“SUM”更改为“AVG”。

     以下屏幕快照显示了输出。

     

如何在笔记本中使用外部包？

HDInsight 上 Apache Spark 群集中的 Zeppelin 笔记本可以使用群集中未包含的、社区提供的外部包。 在 Maven 存储库中搜索可用包的完整列表。 也可以从其他源获取可用包的列表。 例如， Spark 包中提供了社区贡献包的完整列表。

本文将介绍如何在 Jupyter Notebook 中使用 spark-csv 包。

1. 打开解释器设置。 选择右上角的登录用户名，然后选择“解释器”。

   

2. 滚动到“livy2”，然后选择“编辑”。

   

3. 导航到键 livy.spark.jars.packages，并以 group:id:version 格式设置其值。 因此，如果要使用 spark-csv 包，必须将键的值设置为 com.databricks:spark-csv_2.10:1.4.0。

   

   依次选择“保存”、“确定”，以重启 Livy 解释器。

4. 要了解如何访问上面输入的键的值，请查看以下内容。

   a. 在 Maven 存储库中找出该包。 在本文中，使用了 spark-csv。

   b. 从存储库中收集 GroupId、ArtifactId 和 Version 的值。

   

   c. 串连这三个值并以冒号分隔 ( : )。

   com.databricks:spark-csv_2.10:1.4.0
   

Zeppelin 笔记本保存在何处？

Zeppelin 笔记本保存在群集头节点。 因此，如果删除群集，笔记本也会被删除。 如果想要保留笔记本以供将来在其他群集中使用，那么必须在运行完作业之后，将笔记本导出。 若要导出笔记本，请选择下图所示的“导出”图标。

此操作可在下载位置将笔记本另存为 JSON 文件。

使用 Shiro 在企业安全性套餐 (ESP) 群集中配置 Zeppelin 解释器的访问权限

如上所述，从 HDInsight 4.0 开始不再支持 %sh 解释器。 此外，由于 %sh 解释器会导致潜在的安全问题（例如，使用 shell 命令访问 keytabs），因此也从 HDInsight 3.6 ESP 群集中删除了该解释器。 这意味着，默认情况下，单击“创建新注释”时或位于解释器 UI 时，%sh 解析器不可用。

特权域用户可以使用 Shiro.ini 文件来控制对解释器 UI 的访问。 只有这些用户可以创建新的 %sh 解释器并对每个新 %sh 解释器设置权限。 若要使用 shiro.ini 文件控制访问权限，请执行以下步骤：

1. 使用现有域组名称定义新的角色。 在以下示例中，adminGroupName 是 AAD 中的一组特权用户。 请勿在组名称中使用特殊字符或空格。 = 后的字符用于为此角色提供权限。 * 表示组具有完全权限。

   [roles]
   adminGroupName = *
   

2. 添加新的角色以访问 Zeppelin 解释器。 在以下示例中，adminGroupName 中的所有用户都授予了 Zeppelin 解释器的访问权限，并且可以创建新的解释器。 你可以在 roles[] 中的括号之间放置多个角色，用逗号分隔。 然后，具有必要权限的用户可以访问 Zeppelin 解释器。

   [urls]
   /api/interpreter/** = authc, roles[adminGroupName]
   

多个域组的示例 shiro.ini：

[main]
anyofrolesuser = org.apache.zeppelin.utils.AnyOfRolesUserAuthorizationFilter

[roles]
group1 = *
group2 = *
group3 = *

[urls]
/api/interpreter/** = authc, anyofrolesuser[group1, group2, group3]

Livy 会话管理

Zeppelin 笔记本中的第一个代码段会在群集中创建一个新的 Livy 会话。 此会话会在随后创建的所有 Zeppelin 笔记本中共享。 如果 Livy 会话因任何原因而被终止，则 Zeppelin 笔记本将无法运行作业。

在这种情况下，必须先执行以下步骤，然后才能开始在 Zeppelin 笔记本中运行作业。

1. 在 Zeppelin 笔记本中重启 Livy 解释器。 为此，请选择右上角的登录用户名打开解释器设置，然后选择“解释器”。

   

2. 滚动到“livy2”，然后选择“重启”。

   

3. 在现有的 Zeppelin 笔记本中运行代码单元。 此代码会在 HDInsight 群集中创建新的 Livy 会话。

常规信息

验证服务

若要从 Ambari 验证服务，请导航到 https://CLUSTERNAME.azurehdinsight.cn/#/main/services/ZEPPELIN/summary，其中 CLUSTERNAME 是群集的名称。

若要从命令行验证服务，请通过 SSH 连接到头节点。 使用命令 sudo su zeppelin 将用户切换到 zeppelin。 状态命令：

日志位置

启用调试日志记录

1. 导航到 https://CLUSTERNAME.azurehdinsight.cn/#/main/services/ZEPPELIN/summary，其中 CLUSTERNAME 是群集的名称。

2. 导航到“CONFIGS”>“Advanced zeppelin-log4j-properties”>“log4j_properties_content”。

3. 将 log4j.appender.dailyfile.Threshold = INFO 修改为 log4j.appender.dailyfile.Threshold = DEBUG。

4. 添加 log4j.logger.org.apache.zeppelin.realm=DEBUG。

5. 保存更改并重启服务。

后续步骤

• 概述：Azure HDInsight 上的 Apache Spark
• 在 HDInsight 的 Apache Spark 群集中可用于 Jupyter Notebook 的内核
• Install Jupyter on your computer and connect to an HDInsight Spark cluster（在计算机上安装 Jupyter 并连接到 HDInsight Spark 群集）