【Spark学习】Spark 1.1.0 with CDH5.2 安装部署

【时间】2014年11月18日

【平台】Centos 6.5

【工具】scp

【软件】jdk-7u67-linux-x64.rpm

　　　　spark-worker-1.1.0+cdh5.2.0+56-1.cdh5.2.0.p0.35.el6.noarch.rpm
　　　　spark-core-1.1.0+cdh5.2.0+56-1.cdh5.2.0.p0.35.el6.noarch.rpm
　　　　spark-history-server-1.1.0+cdh5.2.0+56-1.cdh5.2.0.p0.35.el6.noarch.rpm
　　　　spark-master-1.1.0+cdh5.2.0+56-1.cdh5.2.0.p0.35.el6.noarch.rpm
　　　　spark-python-1.1.0+cdh5.2.0+56-1.cdh5.2.0.p0.35.el6.noarch.rpm

【步骤】

　　　　1. 准备条件

　　　　　　（1）集群规划

主机类型	IP地址	域名
master	192.168.50.10	master.hadoop.com
worker	192.168.50.11	slave1.hadoop.com
worker	192.168.50.12	slave2.hadoop.com
worker	192.168.50.13	slave3.hadoop.com

　　　

　　　　　（2）以root身份登录操作系统

　　　　　　（3）在集群中的每台主机上执行如下命令，设置主机名。

　　　　　　　　  hostname *.hadoop.com

　　　　　　　　  编辑文件/etc/sysconfig/network如下

　　　　　　　　  HOSTNAME=*.hadoop.com

　　　　　　（4）修改文件/etc/hosts如下

　　　　　　　　 192.168.86.10 master.hadoop.com
　　　　　　　　 192.168.86.11 slave1.hadoop.com
　　　　　　　　 192.168.86.12 slave2.hadoop.com
　　　　　　　　 192.168.86.13 slave3.hadoop.com

　　　　　　　　 执行如下命令，将hosts文件复制到集群中每台主机上

　　　　　　　　  .*:/etc/hosts

　　　　　　（5）安装jdk

　　　　　　　　 rpm -ivh jdk-7u67-linux-x64.rpm

　　　　　　　　 创建文件

　　　　　　　　  echo -e "JAVA_HOME=/usr/java/default\nexport PATH=\$JAVA_HOME/bin:\$PATH" > /etc/profile.d/java-env.sh

　　　　　　　　  . /etc/profile.d/java-env.sh

　　　　　  （6）安装hadoop-client

　　　　　　　　 yum install hadoop-client

　　　　　　（7）关闭iptables

　　　　　　 　　service iptables stop

　　　　　　　　 chkconfig iptables off

　　　　　　（8）关闭selinux。修改文件/etc/selinux/config，然后重启操作系统

　　　　　　　　 SELINUX=disabled

　　　　2. 安装

　　　　　　　   yum install spark-core spark-master spark-worker spark-history-server spark-python

　　　　3. 配置。将以下文件修改完毕后，用scp命令复制到集群中的所有主机上

　　　　　　（1）修改文件/etc/spark/conf/spark-env.sh

　　　　　　　 　 export STANDALONE_SPARK_MASTER_HOST= master.hadoop.com

　　　　　　（2）修改文件/etc/spark/conf/spark-defaults.conf

　　　　　　　　  spark.master                     spark://master.hadoop.com:7077

　　　　　　　     spark.eventLog.enabled           true

　　　　　　　　  spark.eventLog.dir               hdfs://master.hadoop.com:8020/user/spark/eventlog

　　　　　　　 　 spark.yarn.historyServer.address http://master.hadoop.com:18081

　　　　　　　　  spark.executor.memory            2g

　　　　　　　 　 spark.logConf                    true

　　　　　　（3）修改文件/etc/default/spark  必须设置此环境变量，否则，history server的WebUI上无法显示任务信息

　　　　　　　　 export SPARK_HISTORY_SERVER_LOG_DIR=hdfs://master.hadoop.com:8020/user/spark/eventlog 用于history server读取任务日志

　　　　　　（4）复制配置文件到集群所有主机

　　　　　　　　  scp /etc/spark/conf/*  192.168.50.10:/etc/spark/conf/*

　　　　　　（5）在HDFS上执行如下操作

　　　　　　　 　 sudo -u hdfs hadoop fs -mkdir /user/spark

　　　　　　　 　 sudo -u hdfs hadoop fs -mkdir /user/spark/applicationHistory

　　　　　　　 　 sudo -u hdfs hadoop fs -chown -R spark:spark /user/spark

　　　　　　　 　  /user/spark/applicationHistory

　　　　 4. 优化。向HDFS上传spark-assembly.jar文件，从而提高集群加载该依赖文件的速度；上传spark-examples.jar文件是为了提高cluster模式下加载应用程序的速度

　　　　　　（1）在集群中的每台主机上修改文件 /etc/spark/conf/spark-defaults.conf

　　　　　　　　 spark.yarn.jar hdfs://master.hadoop.com:8020/user/spark/share/lib/spark-assembly.jar

　　　　　　（2）执行如下命令

　　　　　　　　 sudo -u hdfs hadoop fs -mkdir -p /user/spark/share/lib

　　　　　　　　 -cdh5.2.0-hadoop2.5.0-cdh5.2.0.jar /user/spark/share/lib/spark-assembly.jar

　　　　　　　　 -cdh5.2.0-hadoop2.5.0-cdh5.2.0.jar /user/spark/share/lib/spark-examples.jar

　　　　　　　　 sudo -u hdfs hadoop fs -chown -R root:spark /user/spark/share/lib

　　　　5. 启动spark

　　　　　 （1）在集群中选择一台主机作为master，并执行如下命令

　　　　　　　 　 service spark-master start

　　　　　　　 　 service spark-history-server start

　　　　　　　　 注意：history server服务可以单独部署在一台主机上

　　　　　　（2）在集群中的其他所有主机上执行如下命令

　　　　　　　 　 service spark-worker start

　　　　 6. 测试。向Spark提交程序，有三种工具可用：spark-shell、pyspark、spark-submit

　　　　　　（1）执行如下命令，进入交互式模式，运行scala代码测试

　　　　　　　　  spark-shell --driver-library-path /usr/lib/hadoop/lib/native/ --driver-class-path /usr/lib/hadoop/lib/

　　　　　　　　  输入以下代码

　　　　　　　　  val file = sc.textFile("hdfs://master.hadoop.com:8020/tmp/input.txt")

　　　　　　　 　 val counts = )).reduceByKey(_ + _)

　　　　　　　 　 counts.saveAsTextFile("hdfs://master.hadoop.com:8020/tmp/output")

　　　　　　　　  运行完毕，执行exit或者ctrl-d退出

　　　　　　（2）执行如下命令，进入交互式模式，运行python代码测试

　　　　　　　　  pyspark --driver-library-path /usr/lib/hadoop/lib/native/ --driver-class-path /usr/lib/hadoop/lib/

　　　　　　　　  运行完毕，执行exit()、quit()或者ctrl-d退出

　　　　　　（3）执行如下命令，使用非交互式模式执行测试代码

　　　　　　　　 1）local[N]执行模式： 使用N个worker线程在本地运行Spark应用程序（其中N代表线程数，默认为1。请根据你本地主机的CPU核数而定）

spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode client  --master local[N] --driver-library-path /usr/lib/hadoop/lib/native/  \

　　　　　　　　　　--driver-class-path /usr/lib/hadoop/lib/ /usr/lib/spark/examples/lib/spark-examples-1.1.0-cdh5.2.0-hadoop2.5.0-cdh5.2.0.jar 10

　　　　　　　　 2）local[*]执行模式： 使用你本地主机上所有剩余的worker线程在本地运行Spark应用程序

spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode client  --master local[*] --driver-library-path /usr/lib/hadoop/lib/native/  \

　　　　　　　　　　--driver-class-path /usr/lib/hadoop/lib/ /usr/lib/spark/examples/lib/spark-examples-1.1.0-cdh5.2.0-hadoop2.5.0-cdh5.2.0.jar 10

　　　　　　　　 3）standalone client执行模式:  连接到Spark Standalone集群，driver在client运行，而executor在cluster中运行。

spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode client  --master spark://master.hadoop.com:7077 --driver-library-path /usr/lib/hadoop/lib/native/  \

　　　　　　　　　　--driver-class-path /usr/lib/hadoop/lib/ /usr/lib/spark/examples/lib/spark-examples-1.1.0-cdh5.2.0-hadoop2.5.0-cdh5.2.0.jar 10

　　　　　　　　 4）standalone cluster执行模式:  连接到Spark Standalone集群，driver和executor都在cluster中运行。

spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode cluster --master spark://master.hadoop.com:7077 --driver-library-path /usr/lib/hadoop/lib/native/  \

　　　　　　　　　　--driver-class-path /usr/lib/hadoop/lib/ hdfs://master.hadoop.com:8020/user/spark/share/lib/spark-examples.jar 10

　　　　　　　　 5）yarn-client执行模式:  连接到YARN集群，driver在client运行，而executor在cluster中运行。（需要安装部署YARN集群）

spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode client  --master yarn --driver-library-path /usr/lib/hadoop/lib/native/  \

　　　　　　　　　 --driver-class-path /usr/lib/hadoop/lib/ /usr/lib/spark/examples/lib/spark-examples-1.1.0-cdh5.2.0-hadoop2.5.0-cdh5.2.0.jar 10

　　　　　　　　 6）yarn-cluster执行模式:  连接到YARN集群，driver和executor都在cluster中运行。（需要安装部署YARN集群）

spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode cluster --master yarn --driver-library-path /usr/lib/hadoop/lib/native/  \

　　　　　　　　　　--driver-class-path /usr/lib/hadoop/lib/ hdfs://master.hadoop.com:8020/user/spark/share/lib/spark-examples.jar 10

　　　　　　　　　　注意：命令参数请依据需要而定；以上spark-submit的六种模式中，*.jar文件可以换成*.py以执行python代码；更多参数可以参考命令“spark-submit --help”
　　　　7. 停止spark

　　　　　　　 service spark-master stop

　　　　　　　 service spark-worker stop

　　　　　　　 service spark-history-server stop

　　　　8. 查看spark集群状态

　　　　　　（1）Standalone模式，登录http://192.168.50.10:18080　　

　　　　　　　　　　

　　　　　　（2）Standalone模式，登录http://192.168.50.10:18081

　　　　　　　　　　

　　　　　　（3）YARN模式，登录http://192.168.50.10:8088

　　　　　　　　　　

【参考】

　　　　1）http://www.cloudera.com/content/cloudera/en/documentation/core/latest/topics/cdh_ig_spark_installation.html

　　　　2）http://blog.csdn.net/book_mmicky/article/details/25714287

【扩展】

　　　　1）JavaChen's Blog  Spark安装和使用   http://blog.javachen.com/2014/07/01/spark-install-and-usage/

　　　　2) China_OS's Blog Hadoop CDH5 学习 http://my.oschina.net/guol/blog?catalog=483307

　　　　3）Spark on Yarn遇到的几个问题            http://www.cnblogs.com/Scott007/p/3889959.html

　　　　4）How to Run Spark App on CDH5     http://muse.logdown.com/posts/2014/08/26/how-to-run-spark-app-on-cdh5

　　　　5）Cloudera Spark on GitHub              https://github.com/cloudera/spark

　　　　6）deploy Spark Server and compute Pi from your Web Browser          http://gethue.com/get-started-with-spark-deploy-spark-server-and-compute-pi-from-your-web-browser/