studio - text in r

Instalación de SparkR

Question

Tengo la última versión de R - 3.2.1. Ahora quiero instalar SparkR en R. Después de ejecutar:

> install.packages("SparkR")

Regresé:

Installing package into ‘/home/user/R/x86_64-pc-linux-gnu-library/3.2’
(as ‘lib’ is unspecified)
Warning in install.packages :
package ‘SparkR’ is not available (for R version 3.2.1)

También instalé Spark en mi máquina

Spark 1.4.0

¿Cómo puedo resolver este problema?

Answer 1

Ahora las versiones 2.1.2 y 2.3.0 de SparkR ahora están disponibles en el repositorio de CRAN , puede instalar la versión 2.3.0 de la siguiente manera:

install.packages("https://cran.r-project.org/src/contrib/Archive/SparkR/SparkR_2.3.0.tar.gz", repos = NULL, type="source")

Nota: Primero debe descargar e instalar la versión correspondiente de Apache Spark desde la descarga , para que el paquete funcione correctamente.

Answer 2

Puede instalar directamente desde un repositorio de GitHub:

if (!require(''devtools'')) install.packages(''devtools'')
devtools::install_github(''apache/[email protected]'', subdir=''R/pkg'')

Debe elegir la etiqueta ( v2.xx arriba) correspondiente a la versión de Spark que usa. Puede encontrar una lista completa de etiquetas en la página del proyecto o directamente desde R usando la API de GitHub :

jsonlite::fromJSON("https://api.github.com/repos/apache/spark/tags")$name

Si ha descargado un paquete binario de una página de descargas, la biblioteca R está en un subdirectorio R/lib/SparkR . Se puede usar para instalar SparkR directamente. Por ejemplo:

$ export SPARK_HOME=/path/to/spark/directory
$ cd $SPARK_HOME/R/pkg/
$ R -e "devtools::install(''.'')"

También puede agregar R lib a .libPaths (tomado de here ):

Sys.setenv(SPARK_HOME=''/path/to/spark/directory'')
.libPaths(c(file.path(Sys.getenv(''SPARK_HOME''), ''R'', ''lib''), .libPaths()))

Finalmente, puede usar sparkR shell sin ningún paso adicional:

$ /path/to/spark/directory/bin/sparkR

Editar

De acuerdo con Spark 2.1.0, las Notas de versión deberían estar disponibles en CRAN en el futuro:

Paquete instalable independiente creado con la versión Apache Spark. Enviaremos esto a CRAN pronto.

Puede seguir SPARK-15799 para verificar el progreso.

Editar 2

Si bien SPARK-15799 se fusionó, satisfacer los requisitos de CRAN resultó ser un desafío (ver, por ejemplo, discusiones sobre 2.2.2 , 2.3.1 , 2.4.0 ), y los paquetes se eliminaron posteriormente (ver, por ejemplo, SparkR se eliminó de CRAN el 2018-05-01 , ¿se eliminó el paquete CRAN SparkR? ). Como resultado, los métodos enumerados en la publicación original siguen siendo las soluciones más confiables.

Editar 3

OK, SparkR está nuevamente en CRAN, v2.4.1. install.packages(''SparkR'') debería funcionar nuevamente (los espejos pueden tardar un par de días en reflejar esto)

Answer 3

SparkR requiere no solo un paquete R, sino también un back-end Spark completo. Cuando desee actualizar SparkR, está actualizando Spark, no solo el paquete R. Si desea utilizar SparkR, esta publicación puede ayudarlo: https://blog.rstudio.org/2015/07/14/spark-1-4-for-rstudio/ .

Sin embargo, debe decirse: hoy en día es posible que desee consultar el paquete sparklyr, ya que hace que todo esto sea mucho más fácil.

install.packages("devtools")
devtools::install_github("rstudio/sparklyr")
library(sparklyr)
spark_install(version = "1.6.2")
spark_install(version = "2.0.0")

También ofrece más funcionalidad que SparkR, así como una interfaz muy agradable para dplyr .

Answer 4

También enfrenté un problema similar al intentar jugar con SparkR en EMR con Spark 2.0.0. Publicaré los pasos aquí que seguí para instalar el servidor rstudio, SparkR, sparklyr, y finalmente conectarme a una sesión de spark en un clúster EMR:

1. Instale el servidor rstudio: después de que el clúster EMR esté en funcionamiento, ssh al nodo maestro con el usuario ''hadoop @'' y descargue el servidor rstudio

wget https://download2.rstudio.org/rstudio-server-rhel-0.99.903-x86_64.rpm

luego instale usando yum install

sudo yum install --nogpgcheck rstudio-server-rhel-0.99.903-x86_64.rpm

finalmente agregue un usuario para acceder a la consola web de rstudio como:

sudo su

sudo useradd nombre de usuario

sudo echo nombre de usuario: contraseña | chpasswd

2. Para acceder a la consola web de rstudio, debe crear un túnel SSH desde su máquina al nodo maestro EMR como se muestra a continuación:

ssh -NL 8787: ec2-emr-master-node-ip.compute-1.amazonaws.com: 8787 [email protected]&

3. Ahora abra cualquier navegador y escriba localhost:8787 para ir a la consola web de rstudio y use el username:password combinación de username:password para iniciar sesión.

4. Para instalar los paquetes R necesarios, primero debe instalar libcurl en el nodo maestro, como se muestra a continuación:

actualización de sudo yum

sudo yum -y instalar libcurl-devel

5. Resolver problemas de permisos con:

sudo -u hdfs hadoop fs -mkdir / user /

sudo -u hdfs hadoop fs -chown / user /

6. Verifique la versión de Spark en EMR y configure SPARK_HOME :

spark-submit --version

export SPARK_HOME = ''/ usr / lib / spark /''

6. Ahora en la consola SparkR instale SparkR como se SparkR a continuación:

install.packages (''devtools'')

devtools :: install_github (''apache/[email protected] '', subdir ='' R / pkg '')

install.packages (''sparklyr'')

biblioteca (SparkR)

biblioteca (sparklyr)

Sys.setenv (SPARK_HOME = ''/ usr / lib / spark'')

sc <- spark_connect (master = "cliente-hilo")