Spark(Java)で"Hello World !" on Eclipse

最近なんだかSparkっていうのがすごいらしい。
ちょっと試してみたいけどHadoopクラスタとか組むの大変だし。。。
と感じている方も多いのではないでしょうか。
大丈夫です。SparkはローカルPC上でもちゃんと動きます。

今回はEclipseでSparkアプリを開発、実行する手順を紹介します。
もちろん普通のJavaアプリケーションと同様にデバッグ(ステップ実行)することもできます。

OSはWindows10で説明しますが、MacやLinuxでもほとんど同じ手順でいけると思います。
(そもそもOSやEclipseについては詳しく説明していません)

まずは定番(？)の｢Hello World !｣をコンソールに表示するSparkアプリケーションを書いて動かしてみましょう。

【1】 インストール

ローカルPC(Windows 10 Home 64bit)上に開発環境をインストールします。

[1-1] Java SE 8(1.8) 64bit インストール

OracleのサイトからJavaをダウンロードしてインストールします。

[1-2] Eclipse Pleiades All in One 4.5.1 Java 64bit Standard Edition インストール

PleiadesのサイトからEclipseをダウンロードしてインストールします。
解凍したeclipseフォルダを適当なフォルダ¹にコピーします。

【2】 セットアップ

Eclipseに開発環境をセットアップします。
eclipseフォルダのeclipse.exeをクリックしてEclipseを起動させます。

[2-1] プロジェクト作成

パッケージエクスプローラーの白い背景を右クリックし、｢新規｣→｢その他｣をクリックします。
｢Maven プロジェクト｣を選択して次へ進み、｢シンプルなプロジェクトの作成｣をチェックして次へ進みます。
適当にグループIdとアーティファクトIdを入力し、完了します。

[2-2] pom.xmlファイル修正

プロジェクトの直下にあるMavenビルドファイルpom.xmlにSparkの依存関係を追加します。

pom.xml

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
	<modelVersion>4.0.0</modelVersion>
	<groupId>com.hoge.spark.examples</groupId>
	<artifactId>spark-java-examples</artifactId>
	<version>0.0.1-SNAPSHOT</version>
	<name>spark-java-examples</name>
	<packaging>jar</packaging>
	<dependencies>
		<dependency>
			<groupId>org.apache.spark</groupId>
			<artifactId>spark-core_2.10</artifactId>
			<version>1.6.0</version>
			<scope>provided</scope>
		</dependency>
	</dependencies>
	<properties>
		<java.version>1.8</java.version>
	</properties>
	<build>
		<pluginManagement>
			<plugins>
				<plugin>
					<groupId>org.apache.maven.plugins</groupId>
					<artifactId>maven-compiler-plugin</artifactId>
					<version>3.1</version>
					<configuration>
						<source>${java.version}</source>
						<target>${java.version}</target>
					</configuration>
				</plugin>
			</plugins>
		</pluginManagement>
	</build>
</project>

[2-3] Maven実行

Mavenのeclipse:eclipseゴールを実行すると、依存関係やクラスパスが設定されます。これ、最高に便利です。

パッケージエクスプローラーのpom.xmlファイルを右クリックし、｢実行｣→｢Mavenビルド｣をクリックすると、依存jarをダウンロードし²、クラスパスが設定されます。

更新された内容を反映するため、パッケージエクスプローラーのspark-java-examplesプロジェクトを右クリックし、｢リフレッシュ｣をクリックします。

｢プロジェクト構成がpom.xmlの最新ではありません｣みたいな意味不明なエラーが出るので、パッケージエクスプローラーのspark-java-examplesプロジェクトを右クリックし、｢Maven｣→｢プロジェクトの更新｣→｢OK｣をクリックします。

【3】 Hello World ! 実装&実行

[3-1] パッケージ作成

パッケージエクスプローラーのsrc/main/javaフォルダを右クリックし、｢新規｣→｢パッケージ｣をクリックします。
｢名前｣に｢com.hoge.spark.examples｣を入力し、完了します。

[3-2] クラス実装

パッケージエクスプローラーのsrc/main/javaフォルダの下にあるcom.hoge.spark.examplesパッケージを右クリックし、｢新規｣→｢クラス｣をクリックします。

｢名前｣に｢HelloWorld｣を入力し、｢public static void main(String[] args｣にチェックを入れて、完了します。

HelloWorldクラスを以下のように実装します。

HelloWorld.java

package com.hoge.spark.examples;

import java.util.Arrays;

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;

public class HelloWorld {
	public static void main(String[] args) {
		try (JavaSparkContext sc = new JavaSparkContext("local", "Hello World")) {
			JavaRDD<String> rdd = sc.parallelize(Arrays.asList("Hello", "World", "!"));
			rdd.foreach(val -> System.out.print(val + " "));
		}
	}
}

[3-3] クラス実行

パッケージエクスプローラーのHelloWorldクラスを右クリックし、｢実行｣→｢Javaアプリケーション｣をクリックします。
コンソールビューに大量の赤文字と黒文字｢Hello World !｣が表示されます。

赤文字がジャマなので、ログの出力レベルをINFOからERRORに変更しておきます。
パッケージエクスプローラーのsrc/main/resourcesフォルダを右クリックし、｢新規｣→｢ファイル｣をクリックします。
｢ファイル名｣に｢log4j.properties｣を入力し、完了します。
log4j.propertiesファイルに以下の内容を書きます。

log4j.properties

log4j.rootCategory=ERROR, console
log4j.appender.console=org.apache.log4j.ConsoleAppender
log4j.appender.console.target=System.err
log4j.appender.console.layout=org.apache.log4j.PatternLayout
log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n

もう一度HelloWorldクラスを実行すると、今度は｢Hello World !｣だけが出力されるはずです。

【4】 おまけ winutils.exeが見つからない問題

今回は元になるデータを
JavaRDD<String> rdd = sc.parallelize(Arrays.asList("Hello", "World", "!"));
のように、プログラム内で生成したので問題ありませんでしたが、
JavaSparkContext.textFile("ファイルパス");
のようにファイルからデータを読み込むと、winutils.exeが見つからないというエラーが発生します。

16/02/18 21:17:24 ERROR Shell: Failed to locate the winutils binary in the hadoop binary path
java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.
at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:278)

winutils.exeはWindows上でHadoopを動かすときに使うのですが、どうやらSparkでファイルを読み込む際にこの実行ファイルを探しにいって、見つからずにエラーが起きているようです。

この問題を解決するにはwinutils.exeをローカルPC上に置いて読めるようにしてやる必要があります。

あらかじめC:\dev\hadoop\binというフォルダを作っておきます。
hadoop-winutils-2.6.0.zipをダウンロードし、winutils.exeファイルを取り出してC:\dev\hadoop\binフォルダの中にコピーします。

次にOSの環境変数HADOOP_HOMEを設定するか、Javaのシステムプロパティhadoop.home.dirを設定します。
ローカルPC環境とクラスタ環境の両方でちゃんと動くように、OSの環境変数を使ったほうがいいでしょう。
環境変数HADOOP_HOMEを作って値に｢C:\dev\hadoop｣を設定し、Eclipseを再起動します。

HelloWorldクラスを実行すると、winutils.exeが見つからないエラーは起きなくなっているはずです。

【5】 まとめ

これでローカルPC上でSparkアプリケーションを開発する環境が整いました。
あとはRDDなどのSparkのAPIを使い込んで慣れていくだけです。
今回のコードはGitHubにあげておきましたので、手順を実行するのも面倒くさい！という方はそちらを使ってみてください。
今後はRDDのサンプルコードを追加していこうかなと思っていますので、よろしくお願いします。

1. トラブルを避けるため、スペースや全角文字を含まない短めのパスがベターです。 ↩

2. 処理の状況はコンソールビューに表示されます。初回はダウンロードに時間がかかります。 ↩