Spark 伪分布式 & 全分布式安装指南

0、前言

3月31日是 Spark 五周年纪念日，从第一个公开发布的版本开始，Spark走过了不平凡的5年：从刚开始的默默无闻，到13年的鹊起，14年的大爆发。Spark核心之上有分布式的机器学习，SQL，streaming和图计算库。

4月1日 spark 官方正式宣布 Spark 2.0 对Spark重构，更好支持手机等移动终端。Databricks创始人之一hashjoin透漏了相关的重构方法：利用Scala.js项目把Spark代码编译成JavaScript，然后利用Safari / Chrome在手机上执行。一个代码可以支持Android / iOS。但是考虑到性能关系，可能需要重写底层的网络模块来支持zero-copy。（确定是否愚人节玩笑呢 :) ）

ok，言归正传。Spark目前支持多种分布式部署方式：一、Standalone Deploy Mode；二、Amazon EC2 ；三、Apache Mesos；四、Hadoop YARN。第一种方式是单机部署，不需要有依赖的资源管理器，其它三种都需要将spark部署到对应的资源管理器上。

除了部署的多种方式之外，较新版本的Spark支持多种hadoop平台，比如从0.8.1版本开始分别支持Hadoop 1 (HDP1, CDH3)、CDH4、Hadoop 2 (HDP2, CDH5)。目前Cloudera公司的CDH5在用CM安装时，可直接选择Spark服务进行安装。

目前Spark最新版本是1.3.0，本文就以1.3.0版本，来看看如何实现Spark 单机伪分布式以及分布式集群的安装。

1、安装环境

Spark 1.3.0需要JDK1.6或更高版本，我们这里采用jdk 1.6.0_32；
Spark 1.3.0需要Scala 2.10或更高版本，我们这里采用scala 2.11.6；

记得配置下 scala 环境变量：

vim /etc/profile  export SCALA_HOME=/home/hadoop/software/scala-2.11.4  export PATH=$SCALA_HOME/bin:$PATH

2、伪分布式安装

2.1 解压缩、配置环境变量即可

直接编辑 /etc/profile 或者 ~/.bashrc 文件，然后加入如下环境变量：

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop    export SCALA_HOME=/home/hadoop/software/scala-2.11.4  export JAVA_HOME=/home/hadoop/software/jdk1.7.0_67  export SPARK_MASTER=localhost  export SPARK_LOCAL_IP=localhost  export HADOOP_HOME=/home/hadoop/software/hadoop-2.5.2  export SPARK_HOME=/home/hadoop/software/spark-1.2.0-bin-hadoop2.4  export SPARK_LIBARY_PATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib:$HADOOP_HOME/lib/native  export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop  export PATH=$PATH:$SCALA_HOME/bin:$SPARK_HOME/bin

2.2 让配置生效

source /etc/profile

source ~/.bashrc

2.3 启动spark

进入到SPARK_HOME/sbin下,运行：
start-all.sh
[root@centos local]# jps
7953 DataNode
8354 NodeManager
8248 ResourceManager
8104 SecondaryNameNode
10396 Jps
7836 NameNode
7613 Worker
7485 Master
有一个Master跟Worker进程说明启动成功
可以通过http://localhost:8080/查看spark集群状况

2.4 两种模式运行Spark例子程序

2.4.1 Spark-shell

此模式用于interactive programming，具体使用方法如下(先进入bin文件夹)

./spark-shell  ...   scala> val days = List("Sunday","Monday","Tuesday","Wednesday","Thursday","Friday","Saturday")  days: List[String] = List(Sunday, Monday, Tuesday, Wednesday, Thursday, Friday, Saturday)     scala> val daysRDD =sc.parallelize(days)  daysRDD: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[0] at parallelize at <console>:14     scala>daysRDD.count()  scala>res0:Long =7

2.4.2 运行脚本

运行Spark自带的example中的SparkPi，在
这里要注意，以下两种写法都有问题
./bin/run-example org.apache.spark.examples.SparkPi spark://localhost:7077
./bin/run-example org.apache.spark.examples.SparkPi local[3]
local表示本地，[3]表示3个线程跑
这样就可以：

./bin/run-example org.apache.spark.examples.SparkPi 2 spark://192.168.0.120:7077     15/03/17 19:23:56 INFO scheduler.DAGScheduler: Completed ResultTask(0, 0)  15/03/17 19:23:56 INFO scheduler.DAGScheduler: Stage 0 (reduce at SparkPi.scala:35) finished in 0.416 s  15/03/17 19:23:56 INFO spark.SparkContext: Job finished: reduce at SparkPi.scala:35, took 0.501835986 s  Pi is roughly 3.14086

3、全分布式集群安装

其实集群安装方式也很简单。

3.1 添加环境变量

cd spark-1.3.0  cp ./conf/spark-env.sh.template ./conf/spark-env.sh  vi ./conf/spark-env.sh 添加以下内容：  export SCALA_HOME=/usr/lib/scala-2.10.3  export JAVA_HOME=/usr/java/jdk1.6.0_31  export SPARK_MASTER_IP=10.32.21.165  export SPARK_WORKER_INSTANCES=3  export SPARK_MASTER_PORT=8070  export SPARK_MASTER_WEBUI_PORT=8090  export SPARK_WORKER_PORT=8092  export SPARK_WORKER_MEMORY=5000m

SPARK_MASTER_IP这个指的是master的IP地址；SPARK_MASTER_PORT这个是master端口；SPARK_MASTER_WEBUI_PORT这个是查看集群运行情况的WEB UI的端口号；SPARK_WORKER_PORT这是各个worker的端口号；SPARK_WORKER_MEMORY这个配置每个worker的运行内存。

vi ./conf/ slaves 每行一个worker的主机名，内容如下：

10.32.21.165
10.32.21.166
10.32.21.167

设置 SPARK_HOME 环境变量，并将 SPARK_HOME/bin 加入 PATH：

vi /etc/profile ，添加内容如下：
export SPARK_HOME=/usr/lib/spark-1.3.0
export PATH=$SPARK_HOME/bin:$PATH
然后将配置以及安装文件同步到各节点上，并让环境变量生效。

3.2 启动spark集群

执行 ./sbin/start-all.sh
如果start-all方式无法正常启动相关的进程，可以在$SPARK_HOME/logs目录下查看相关的错误信息。其实，你还可以像Hadoop一样单独启动相关的进程，在master节点上运行下面的命令：
在Master上执行：./sbin/start-master.sh
在Worker上执行：./sbin/start-slave.sh 3 spark://10.32.21.165:8070 --webui-port 8090
然后检查进程是否启动，执行jps命令，可以看到Worker进程或者Master进程。然后可以在WEB UI上查看http://masterSpark:8090/可以看到所有的work 节点，以及他们的 CPU 个数和内存等信息。

3.3 Local模式运行demo

比如：./bin/run-example SparkLR 2 local 或者 ./bin/run-example SparkPi 2 local
这两个例子前者是计算线性回归，迭代计算；后者是计算圆周率

3.4 shell 交互式模式

./bin/spark-shell --master spark://10.32.21.165:8070 ，如果在conf/spark-env.sh中配置了MASTER(加上一句export MASTER=spark://${SPARK_MASTER_IP}:${SPARK_MASTER_PORT})，就可以直接用 ./bin/spark-shell启动了。
spark-shell作为应用程序，是将提交作业给spark集群，然后spark集群分配到具体的worker来处理，worker在处理作业的时候会读取本地文件。
这个shell是修改了的scala shell，打开一个这样的shell会在WEB UI中可以看到一个正在运行的Application
Spark 伪分布式 & 全分布式安装指南

4、一个 scala & spark 例子

这个例子首先用 shell 生成 150,000,000 个随机数，然后用 spark 统计每个随机数频率，以观察随机数是否均匀分布。

getNum(){      c=1      while [[ $c -le 5000000 ]]      do          echo $(($RANDOM/500))          ((c++))      done  }  for i in `seq 30`  do      getNum > ${i}.txt &  done  wait  echo "--------------- DONE -------------------"  cat [0-9]*.txt > num.txt

val file = sc.textFile("hdfs://10.9.17.100:8020/tmp/lj/num.txt")  val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)  //count.collect().sortBy(_._2)   //count.sortBy(-_._2).saveAsTextFile("hdfs://10.9.17.100:8020/tmp/lj/spark/numCount")  count.sortBy(_._2).map(x => x._1 + "\t" + x._2).saveAsTextFile("hdfs://10.9.17.100:8020/tmp/lj/spark/numCount")

hadoop fs -cat hdfs://10.9.17.100:8020/tmp/lj/spark/numCount/p*|sort -k2n        65      1228200  55      2285778  59      2285906  7       2286190  24      2286344  60      2286554  37      2286573  22      2286719  ...  13      2291903  43      2292001