本帖最后由 pig2 于 2017-1-25 10:11 编辑
问题导读: 1.spark是什么? 2.spark都需要安装什么软件? 3.本地模式如何配置? 4.集群模式如何配置?
在安装spark之前,首先我们需要知道spark是什么? Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架,Spark基于map reduce算法实现的分布式计算,拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出和结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。 下面我们开发安装 环境:CentOS 6.4, Hadoop 1.1.2, JDK 1.7, Spark 0.7.2, Scala 2.9.3 折腾了几天,终于把Spark 集群安装成功了,其实比hadoop要简单很多,由于网上搜索到的博客大部分都还停留在需要依赖mesos的版本,走了不少弯路。
1. 安装 JDK 1.7
- yum search openjdk-devel
- sudo yum install java-1.7.0-openjdk-devel.x86_64
- /usr/sbin/alternatives --config java
- /usr/sbin/alternatives --config javac
- sudo vim /etc/profile
- # add the following lines at the end
- export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-1.7.0.19.x86_64
- export JRE_HOME=$JAVA_HOME/jre
- export PATH=$PATH:$JAVA_HOME/bin
- export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
- # save and exit vim
- # make the bash profile take effect immediately
- $ source /etc/profile
- # test
- $ java -version
复制代码
2. 安装 Scala 2.9.3Spark 0.7.2 依赖 Scala 2.9.3, 我们必须要安装Scala 2.9.3.
下载链接:http://pan.baidu.com/s/1qWkBvhq 密码:z19x 并 保存到home目录. - $ tar -zxf scala-2.9.3.tgz
- $ sudo mv scala-2.9.3 /usr/lib
- $ sudo vim /etc/profile
- # add the following lines at the end
- export SCALA_HOME=/usr/lib/scala-2.9.3
- export PATH=$PATH:$SCALA_HOME/bin
- # save and exit vim
- #make the bash profile take effect immediately
- source /etc/profile
- # test
- $ scala -version
复制代码
3. 下载预编译好的Spark下载预编译好的Spark, (32位、64都可以) hadoop1安装包 链接:http://pan.baidu.com/s/1c0kZMLE 密码:d4om hadoop2安装包 链接:http://pan.baidu.com/s/1kT3czFD 密码:elpg
如果你想从零开始编译,则下载源码包,但是我不建议你这么做,因为有一个Maven仓库,twitter4j.org, 被墙了,导致编译时需要翻墙,非常麻烦。如果你有DIY精神,并能顺利翻墙,则可以试试这种方式。
4. 本地模式
4.1 解压
$ tar -zxf spark-0.7.2-prebuilt-hadoop1.tgz
4.2 设置SPARK_EXAMPLES_JAR 环境变量
- $ vim ~/.bash_profile
- # add the following lines at the end
- export SPARK_EXAMPLES_JAR=$HOME/spark-0.7.2/examples/target/scala-2.9.3/spark-examples_2.9.3-0.7.2.jar
- # save and exit vim
- #make the bash profile take effect immediately
- $ source /etc/profile
复制代码
这一步其实最关键,很不幸的是,官方文档和网上的博客,都没有提及这一点。我是偶然看到了这两篇帖子,Running SparkPi, Null pointer exception when running ./run spark.examples.SparkPi local,才补上了这一步,之前死活都无法运行SparkPi。
4.3 (可选)设置 SPARK_HOME环境变量,并将SPARK_HOME/bin加入PATH- $ vim ~/.bash_profile
- # add the following lines at the end
- export SPARK_HOME=$HOME/spark-0.7.2
- export PATH=$PATH:$SPARK_HOME/bin
- # save and exit vim
- #make the bash profile take effect immediately
- $ source /etc/profile
复制代码
4.4 现在可以运行SparkPi了- $ cd ~/spark-0.7.2
- $ ./run spark.examples.SparkPi local
复制代码
5. 集群模式
5.1 安装Hadoop用VMware Workstation 创建三台CentOS 虚拟机,hostname分别设置为 master, slave01, slave02,设置SSH无密码登陆,安装hadoop,然后启动hadoop集群。参考: hadoop2.2完全分布式最新高可靠安装文档
5.2 Scala在三台机器上都要安装 Scala 2.9.3 , 按照第2节的步骤。JDK在安装Hadoop时已经安装了。
5.3 在master上安装并配置Spark解压 - $ tar -zxf spark-0.7.2-prebuilt-hadoop1.tgz
复制代码
设置SPARK_EXAMPLES_JAR 环境变量- $ vim ~/.bash_profile
- # add the following lines at the end
- export SPARK_EXAMPLES_JAR=$HOME/spark-0.7.2/examples/target/scala-2.9.3/spark-examples_2.9.3-0.7.2.jar
- # save and exit vim
- #make the bash profile take effect immediately
- $ source /etc/profile
复制代码
在 in conf/spark-env.sh中设置SCALA_HOME - $ cd ~/spark-0.7.2/conf
- $ mv spark-env.sh.template spark-env.sh
- $ vim spark-env.sh
- # add the following line
- export SCALA_HOME=/usr/lib/scala-2.9.3
- # save and exit
复制代码
在conf/slaves, 添加Spark worker的hostname, 一行一个。 - $ vim slaves
- slave01
- slave02
- # save and exit
复制代码
(可选)设置 SPARK_HOME环境变量,并将SPARK_HOME/bin加入PATH - $ vim ~/.bash_profile
- # add the following lines at the end
- export SPARK_HOME=$HOME/spark-0.7.2
- export PATH=$PATH:$SPARK_HOME/bin
- # save and exit vim
- #make the bash profile take effect immediately
- $ source /etc/profile
复制代码
5.4 在所有worker上安装并配置Spark既然master上的这个文件件已经配置好了,把它拷贝到所有的worker。注意,三台机器spark所在目录必须一致,因为master会登陆到worker上执行命令,master认为worker的spark路径与自己一样。 - $ cd
- $ scp -r spark-0.7.2 dev@slave01:~
- $ scp -r spark-0.7.2 dev@slave02:~
复制代码
按照第5.3节设置SPARK_EXAMPLES_JAR环境变量,配置文件不用配置了,因为是直接从master复制过来的,已经配置好了。
5.5 启动 Spark 集群在master上执行 - $ cd ~/spark-0.7.2
- $ bin/start-all.sh
复制代码
检测进程是否启动 - $ jps
- 11055 Jps
- 2313 SecondaryNameNode
- 2409 JobTracker
- 2152 NameNode
- 4822 Master
复制代码
浏览master的web UI(默认http://localhost:8080). 这是你应该可以看到所有的word节点,以及他们的CPU个数和内存等信息。 ##5.6 运行SparkPi例子 - $ cd ~/spark-0.7.2
- $ ./run spark.examples.SparkPi spark://master:7077
复制代码
(可选)运行自带的例子,SparkLR 和 SparkKMeans. - #Logistic Regression
- #./run spark.examples.SparkLR spark://master:7077
- #kmeans
- $ ./run spark.examples.SparkKMeans spark://master:7077 ./kmeans_data.txt 2 1
复制代码
5.7 从HDFS读取文件并运行WordCount
- $ cd ~/spark-0.7.2
- $ hadoop fs -put README.md .
- $ MASTER=spark://master:7077 ./spark-shell
- scala> val file = sc.textFile("hdfs://master:9000/user/dev/README.md")
- scala> val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
- scala> count.collect()
复制代码
5.8 停止 Spark 集群- $ cd ~/spark-0.7.2
- $ bin/stop-all.sh
复制代码
|