Spark 2.0の回帰分析アプリをScalaのSBTで実装し、EMRで実行：Amazon EMRで構築するApache Spark超入門（2）（3/3 ページ）

[川原仁人，コラビット]

コード実行の前にSparkでS3のファイル読み書きができるように設定

　ローカルでSparkのアプリケーションを実行する場合は、S3のファイルの読み書きができるように設定が必要です。

　まず、前回ダウンロードした「spark2.0.0」のディレクトリに移動します。

　confディレクトリ内に、「spark-defaults.conf」というファイルを作成します。下記のように編集してください。

spark.jars.packages  com.amazonaws:aws-java-sdk:1.7.4,org.apache.hadoop:hadoop-aws:2.7.1 # この行を追加してください。

　これでSparkの設定はOKです。

jarファイルの作成とローカルでの実行

　それでは、記述したコードを実行したいと思います。

　まず、sbtのプロジェクト（SparkExampleApp）のルートディレクトリに移動して、下記のコマンドでjarファイルを作成します。

sbt package

　jarファイルはプロジェクト内の「target/scala-2.11/」以下に作成されるはずです。

　続けて、前回ダウンロードしたsparkのディレクトリに移動して、下記のコマンドでアプリケーションをローカルで実行します。

./bin/spark-submit --class SparkExampleApp --master local ｛自分の作成したjarファイルのpath｝ ｛S3に配置したdata.csvのパス） ｛S3の保存先のパス｝

　例えば下記のようなコマンドになるはずです。

./bin/spark-submit --class SparkExampleApp --master local ~/Desktop/SparkExampleApp/target/scala-2.11/spark-sample-project_2.11-1.0.jar s3n://my-bucket-name/data.csv s3n://my-bucket-name/output.csv

　出力されたcsvファイルをプロットしてみると、下記のようになると思います。

EMRでクラスターを構築し、Sparkアプリケーションを実行

　ローカルでの起動に成功したら、今度はEMR上でも実行します。

　まず、下記、EMRのAWSコンソールヘ移動します（リージョンはTokyoで行います）。

• https://ap-northeast-1.console.aws.amazon.com/elasticmapreduce/home?region=ap-northeast-1

　「クラスターを作成」というボタンを押してください。

　「クラスターの作成 - クイックオプション」というタイトルのページが表示されたら、下記の項目を入力してください。

• クラスター名：自分の覚えやすい名前で
• 起動モード：「ステップ実行」を選ぶ（クラスターとの違いは、アプリケーション実行後に自動終了するかしないか）
• ステップタイプ：「Spark アプリケーション」を選ぶ
• ステップの追加
  • 名前：好きな名前を設定
  • デプロイモード：「クラスター」を選ぶ
  • Spark-submit オプション：--class SparkExampleApp
  • アプリケーションの場所：作成したjarファイルをs3にアップロードして、そのパスを指定する
  • 引数：「s3n://my-bucket-name/data.csv s3n://my-bucket-name/output.csv」のような感じで、先ほどローカルで行ったときのように指定する
  • 失敗時の操作：「クラスターを終了」を選ぶ
• リリース：執筆時点で最新の「emr-5.0.0」を選ぶ
• アプリケーション：「Spark: Spark 2.0.0 on Hadoop 2.7.2 YARN with Ganglia 3.7.2 and Zeppelin 0.6.1」を選ぶ
• インスタンスタイプ：適当なものを選ぶ
• インスタンス数：適当な数を設定する。今回は計算が簡単なので多くなくてよい
• EC2 キーペア：「作成済みの鍵」を選ぶ。WebUIにアクセスする際にポートフォワーディングを行うときに必要になる
• アクセス権限：「デフォルト」を選ぶ

注：画面では「--class App」となっているところは、「--class SparkExampleApp」と入力してください。

　最後に画面下部の「クラスターを作成」ボタンを押します。

　すると、下記の流れでアプリケーションが実行されます。

1. EC2インスタンスの起動
   インスタンスタイプとインスタンス数に応じて起動する
2. yarnクラスターの構築
   EMRはyarnクラスター上でSparkを実行する
3. Sparkの設定（yarnクラスターの設定や、awssdkなどの設定）
   Sparkアプリケーションを実行するのに必要なファイルなどを配置してくれる
4. jarファイル（Sparkアプリケーション）の実行
   spark-submitコマンドがdriverのインスタンス上で実行される

　S3の指定の場所にcsvが生成されていれば、成功です。

EMRにおけるSparkの設定

　EMRはspark-defaults.confの設定を自動的に行ってくれます。例えばドライバのメモリや、executorの数、awssdkの依存設定などです。そのため、ローカルで行ったような設定は基本的には必要ありません。

　必要な際は、クラスター立ち上げ時に詳細オプションで「ソフトウェア設定の編集」という項目で必要に応じて設定を追加することも可能です。とても便利ですね。

次回は、さらにEMRでのSparkの実践的な使い方

　以上、駆け足になりましたが、今回は簡単なアプリケーションをEMR上で動かすところまで説明しました。今回はアプリケーションを動かすことにフォーカスしましたが、次回はより実践的な部分に踏み込んでみたいと思いますので、お楽しみに。