(一) 从零开始搭建Spark Standalone集群环境搭建

本文主要讲解spark 环境的搭建

主机配置  4核8线程,主频3.4G，16G内存

虚拟环境： VMWare

虚拟环境系统：Ubuntu 14.10

虚拟机运行环境：

• jdk-1.7.0_79（64bit）
• hadoop-2.6.0.tar.gz
• scala-2.10.4.tar
• spark-1.5.0-bin -hadoop-2.6.0.tgz

（一）样本虚拟机的搭建

1）虚拟机安装ubuntu，每个分配3G内存，完成后后输入如下命令来获得root权限：

　　#sudo passwd　

2）ubuntu下源的更改：

　　#sudo gedit /etc/apt/sources.list

　　 找到一个还用的源替换掉 /etc/apt/sources.list中原来的内容

　　执行更新：

　　#sudo apt-get update

3）安装ssh，以便远程登录

　　ssh-client ： 本机作为客户机通过ssh链接远程的服务器

　　ssh-server：本机作为远程服务器，可以被客户机链接

　　#sudo apt-get install ssh-client

　　注意上述命令可能出现问题   “依赖 ：openssh-client (= 1:6.6p1-2ubuntu1)”

　　使用 这条命令即可解决： #sudo apt-get install ssh-client= 1:6.6p1-2ubuntu1

　　接下来安装#sudo apt-get install ssh-server (或者 apt-get install openssh-server)

4）查看ssh服务是否启动

　　#ps -e |grep ssh

　　显现出sshd 则说明安装成功

5）更新vim

　　#sudo apt-get remove vim

　　#sudo apt-get install vim

6）修改/etc/ssh/sshd_config  文件，使得本机允许远程连接，现在即可通过putty，xshell等连接该机

　　 # Authentication:
　　LoginGraceTime 120
　　PermitRootLogin yes
　　StrictModes yes

7）修改host主机名

　　#vi  /etc/hostname 将该文件该为spark1

　　然后 #vi /ect/hosts 改成与上述文件相同的名字

　　重启  #hostname 查看是否生效

8）注意虚拟机的网络设置为桥接

　　#ifconfig 可来查看网络状态

9）根据求查看是否需要固定IP

　　设置静态IP方法如下：

　　#sudo vim /etc/network/interfaces

　　#修改如下部分：

　　auto eth0
　　iface eth0 inet static
　　address 192.168.0.117
　　gateway 192.168.0.1 #这个地址你要确认下 网关是不是这个地址
　　netmask 255.255.255.0
　　network 192.168.0.0
　　broadcast 192.168.0.255

　　因为以前是dhcp解析，所以会自动分配dns服务器地址，而一旦设置为静态ip后就没有自动获取到的dns服务器了，设置静态IP地址后，再重启后就无法解析域名。想重新设置一下DNS，有两个办法：

• 通过/etc/network/interfaces，在它的最后增加一句：

　　　　dns-nameservers 8.8.8.8

　　　　8.8.8.8是Google提供的DNS服务，这里只是举一个例子，你也可以改成电信运营商的DNS。重启后DNS就生效了。

• 通过修改：

　　　　/etc/resolvconf/resolv.conf.d/base（这个文件默认是空的）

　　　　在里面插入：
　　　　nameserver 8.8.8.8
　　　　nameserver 8.8.4.4

　　　　如果有多个DNS就一行一个，修改好保存，然后执行resolvconf -u再看/etc/resolv.conf，最下面就多了2行：

　　　　nameserver 8.8.8.8
　　　　nameserver 8.8.4.4

　　可以看到我们的设置已经加上了，然后再ping一个域名，当时就可以解析了，无需重启。

　　以上测试在我这里测试可想行不通，最后还是没有修改，完全是桥接，DHCP自动获取的，好在学校内部重启后IP地址是不变的，所以暂时先这样了，以后变了再改

10）关闭防火墙 #ufw disable

11）安装jdk

　　下载对应版本的JDK，切记X64为64位系统X86_64为64位系统，否则为32位

　　解压tar -zxvf jdk1.7.0_79 -C /usr/lib

　　配置环境变量 #vi /etc/priofile ,添加如下字段

　　export JAVA_HOME=/usr/lib/jdk1.7.0_79

　　export PATH=$JAVA_HOME/bin:$PATH

　　export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

　　使改动生效 source /etc/profile

　　验证 java-version

12）安装scala

　　方法类似于java，上传scala2.10.4包，解压，#tar -zxvf  scala-2.10.4.tgz -C /usr/lib/scala

　　到/etc/profile里配置路径：

　　export SCALA_HOME=/usr/lib/scala/scala-2.10.4

　　export PATH=$PATH:${SCALA_HOME}/bin

　　输入如下命令使得配置生效#source /etc/profile

　　验证 #scala -version

13)克隆该样本机，克隆出4个备份，然后分别配置每个机器的主机名与IP地址。

　　改玩后自行测试看每个机器是否正确

14）设置ssh免密码连接（注意公钥汇总的命名）

　　这里参考http://www.cnblogs.com/shishanyuan/p/4701510.html

15）下载hadoop-2.6.0_x64.tar.gz包 ，将该包解压到/app/hadoop/文件夹下，并在切换到#cd /app/hadoop/hadoop-2.6.0/，创建三个文件夹#mkdir tmp #mkdir name #mkdir data　　

16）接下来要配置hadoop环境变量

　　　　首先切换到 #cd /app/hadoop/hadoop-2.6.0/etc/hadoop，打开如下文件#vi hadoop-env.sh，加入如下路径：

　　　　export JAVA_HOME=/usr/lib/ivm/jdk1.7.0_79

　　　　export PATH=$PATH:/app/hadoop/hadoop-2.6.0/bin

　　　　配置好后输入# source hadoop-env.sh使得配置生效，接下来#hadoop version测试是否配置成功。

17）配置yarn-env.sh

　　　　在/app/hadoop/hadoop-2.6.0/etc/hadoop打开配置文件yarn-env.sh

　　　　#cd /app/hadoop/hadoop-2.6.0/etc/hadoop

　　　　#sudo vi yarn-env.sh

　　　　加入配置内容，设置JAVA_HOME路径

　　　　export JAVA_HOME=/usr/lib/jvm/jdk1.7.0_79

　　　　使用source yarn-env.sh使之生效

18）配置core-site.xml　　

<configuration>
  <property>
    <name>fs.default.name</name>
    <value>hdfs://spark1:9000</value>
  </property>
  <property>
    <name>fs.defaultFS</name>
    <value>hdfs://spark1:9000</value>
  </property>
  <property>
    <name>io.file.buffer.size</name>
    <value>131072</value>
  </property>
  <property>
    <name>hadoop.tmp.dir</name>
    <value>file:/app/hadoop/hadoop-2.6.0/tmp</value>
    <description>Abase for other temporary directories.</description>
  </property>
  <property>
    <name>hadoop.proxyuser.hduser.hosts</name>
    <value>*</value>
  </property>
  <property>
    <name>hadoop.proxyuser.hduser.groups</name>
    <value>*</value>
  </property>
</configuration>

19)配置hdfs-site.xml

<configuration>
  <property>
   <name>dfs.namenode.secondary.http-address</name>
   <value>spark1:9001</value>
  </property>
  <property>
   <name>dfs.namenode.name.dir</name>
   <value>file:/app/hadoop/hadoop-2.6.0/name</value>
  </property>
  <property>
   <name>dfs.datanode.data.dir</name>
   <value>file:/app/hadoop/hadoop-2.6.0/data</value>
  </property>
  <property>
   <name>dfs.replication</name>
   <value>2</value>
  </property>
  <property>
   <name>dfs.webhdfs.enabled</name>
   <value>true</value>
  </property>
</configuration>

20)配置mapred-site.xml，一般情况下，只有一个mapred-site.xml.template ,# cp mapred-site.xml.template mapred-site.xml复制出来一份即可：

<configuration>
  <property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
  </property>
  <property>
    <name>mapreduce.jobhistory.address</name>
    <value>spark1:10020</value>
  </property>
  <property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>spark1:19888</value>
  </property>
</configuration>

21)配置yarn-site.xml

<configuration>
  <property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
  </property>
  <property>
    <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
    <value>org.apache.hadoop.mapred.ShuffleHandler</value>
  </property>
  <property>
    <name>yarn.resourcemanager.address</name>
    <value>spark1:8032</value>
  </property>
  <property>
    <name>yarn.resourcemanager.scheduler.address</name>
    <value>spark1:8030</value>
  </property>
  <property>
    <name>yarn.resourcemanager.resource-tracker.address</name>
    <value>spark1:8031</value>
  </property>
  <property>
    <name>yarn.resourcemanager.admin.address</name>
    <value>spark1:8033</value>
  </property>
  <property>
    <name>yarn.resourcemanager.webapp.address</name>
    <value>spark1:8088</value>
  </property>
</configuration>

22）配置slaves

　　　　#vi slaves

　　　　在slaves里加入：　　　　

　　　　spark1
　　　　spark2
　　　　spark3
　　　　spark4

23）用scp分别向各个节点分发配置好的hadoop

　　　　在个个slave里建立对应的文件目录 /app/hadoop/, spark1切换到/app/hadoop目录下

　　　　# scp hadoop-2.6.0 root@spark2:/app/hadoop

　　　　# scp hadoop-2.6.0 root@spark3:/app/hadoop

　　　　# scp hadoop-2.6.0 root@spark4:/app/hadoop

24)格式化namenode

　　　　#cd /app/hadoop/hadoop-2.6.0

　　　　#hadoop namenode -format

25)启动hdfs

　　　　$cd /app/hadoop/hadoop-2.6.0/sbin

　　　　$./start-dfs.sh

　　　  启动hdfs时候，报如下错误：Error: Cannot find configuration directory: /etc/hadoop，则应该在 /etc/profile里加入如下配置：

　　　　#hadoop

　　　　export HADOOP_HOME=/app/hadoop/hadoop-2.6.0
　　　　export YARN_HOME=/app/hadoop/hadoop-2.6.0
　　　　export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
　　　　export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

　　　　并且#source etc/profile 使得其生效

　　　　若slave中部分datanode没启动，则#./stop-all.sh,然后删除所有节点中的tmp，name，data三个文件夹,重新建立新的空文件夹

　　　　格式化namenode #hadoop namenode -format，现在启动应该正常了！

26）验证hdfs是否成功启动

　　　　#jps ，此时在spark1上面运行的进程有：NameNode、SecondaryNameNode和DataNode

　　　　

　　　　spark2-spark4上运行的有DataNode

　　　　

25）启动yarn

　　　　#cd /app/hadoop/hadoop-2.6.0/sbin

　　　　#./start-yarn.sh

　　　　此时在spark1上的进程有：NameNode、SecondaryNameNode、DataNode、NodeManager和ResourceManager

　　　　

　　　　spark2-spark4上的进程有：DataNode NodeManager

　　　　至此，hadoop安装已经完成！！！接下来就是spark的安装!

27)跑一下hadoop附带的例子来测试是否安装成功，下面以wordcount为例。

28）首先到spark官网下载hadoop2.6对应的安装包，spark1.5.0-bin-hadoop2.6.tgz,上传到/ooon,解压缩# tar -zxvf  spark1.5.0-bin-hadoop2.6.tgz  -C  /app/hadoop，切换到spark主目录，#cd  /app/hadoop/spark-1.5.0-bin-hadoop-2.6.0

29）配置spark的环境变量， 打开配置文件/etc/profile， 定义SPARK_HOME并把spark路径加入到PATH参数中

　　　　SPARK_HOME=/app/hadoop/spark-1.5.0

　　　　PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

30）配置conf/spark-env.sh

　　　　# conf/

　　　　#cp  spark-env.sh.template  spark-env.sh

　　　　#vi spark-env.sh

　　　　在最后介入如下内容：

　　　　export JAVA_HOME=/usr/lib/jvm/jdk1.7.0_79

　　　　export SPARK_MASTER_IP=spark1 （注意这里有个坑，若是你的IDE环境搭建在spark1以外的机器上，这里最好直接写成spark1的IP172.21.75.100，血泪史）

　　　　export SPARK_MASTER_PORT=7077

　　　　export SPARK_WORKER_CORES=1

　　　　export SPARK_WORKER_INSTANCES=1

　　　　export SPARK_WORKER_MEMORY=1g

　　　　source spark-env.sh使得配置生效。

31)配置slaves,如下

　　　　

32）scp分发到各个节点

　　　　#cd /app/hadoop

　　　　#scp  -r spark-1.5.0-bin-hadoop-2.6.0 root@spark2:/app/hadoop

　　　　#scp  -r spark-1.5.0-bin-hadoop-2.6.0 root@spark3:/app/hadoop

　　　　#scp  -r spark-1.5.0-bin-hadoop-2.6.0 root@spark3:/app/hadoop

　　　　接下来启动spark

　　　　#cd  sbin

　　　　#./start-all.sh

　　　　spark1的进程有：

　　　　

　　　　spark2-spark4的进程有：

　　　　

　　　　现在spark也装好了！！！

33)在浏览器中输入地址172.21.75.102:8080，可以看到集群的状态

　

34）验证客户端连接

　　进入hadoop1节点，进入spark的bin目录，使用spark-shell连接集群

　　$cd /app/hadoop/spark-1.1.0/bin

　　$./spark-shell --master spark://spark1:7077 --executor-memory 500m

　　在命令中只指定了内存大小并没有指定核数，所以该客户端将占用该集群所有核并在每个节点分配500M内存,  下图可见其分配情况

　　

　　现在，我们已经通过spark-shell连接到了集群，现在就可以运行一下spark的示例wordcount

35）运行wordcound

　　首先上传数据到hdfs，#hadoop fs -mkdir -p  /usr/hadoop/testdata

　　$./spark-shell --master spark://spark1:7077 --executor-memory 512m --driver-memory 500m

　　接下来在shark-shell里键入如下代码执行wordcount的计算

scala>val rdd=sc.textFile("hdfs://hadoop1:9000/user/hadoop/testdata/core-site.xml")

scala>rdd.cache()

scala>val wordcount=rdd.flatMap(_.split(" ")).map(x=>(x,)).reduceByKey(_+_)

scala>wordcount.take()

scala>val wordsort=wordcount.map(x=>(x._2,x._1)).sortByKey(false).map(x=>(x._2,x._1))

scala>wordsort.take()

　　　结果如下：Array[(String, Int)] = Array(("",100), (the,7), (</property>,6), (<property>,6), (under,3), (in,3), (License,3), (this,2), (-->,2), (file.,2))

35）最后需要注意的是学校的IP变化后的处理

　　除了 /etc/hosts 需要处理外，另外 spark-env.sh  也需要制定spark-master 的IP

　　source spark-env.sh使得配置生效。