Spark-1.0.0 standalone分布式安装教程

　　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。第一种方式是单独部署，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1.0.0。

　　我们就以1.0.0版本，来看看如何实现Spark分布式集群的安装：

一、Spark 1.0.0需要JDK1.6或更高版本，我们这里采用jdk 1.6.0_31；

二、Spark 1.0.0需要Scala 2.10或更高版本，我们这里采用scala 2.10.3；

三、从https://spark.apache.org/downloads.html 下载合适的bin包来安装，我们这里选择CDH4版本的spark-1.0.0-bin-cdh4.tgz；下载到tongjihadoop165上；

四、解压bin包：tar –zxf spark-1.0.0-bin-cdh4.tgz；

五、重命名：mv spark-1.0.0-bin-cdh4 spark-1.0.0-cdh4；

六、cd spark-1.0.0-cdh4 ;

　　mv ./conf/spark-env.sh.template ./conf/spark-env.sh

七、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。

八、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

九、(可选) 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-1.0.0-cdh4

export PATH=$SPARK_HOME/bin:$PATH

十、将tongjihadoop165上的spark复制到tongjihadoop166和tongjihadoop167上：

　　sudo scp -r hadoop@10.32.21.165:/usr/lib/spark-1.0.0-cdh4  /usr/lib

　　安装scala时也可以这样远程拷贝文件并修改环境变量文件/etc/profile，改完之后别忘了source。

十一、执行   ./sbin/start-all.sh    启动spark集群；

　　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

十二、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://tongjihadoop165:8090/可以看到所有的work 节点，以及他们的 CPU 个数和内存等信息。

十三、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

十四、启动交互式模式：./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，如下图：

　　最下面的是运行完成的Applications，workers列表是集群的节点列表。

　　我们可以在这个打开的shell下对HDFS上的数据做一些计算，在shell中依次输入：

　　A、val file = sc.textFile("hdfs://10.32.21.165:8020/1639.sta")  #这是加载HDFS中的文件

　　B、file.map(_.size).reduce(_+_)         #这是计算文件中的字符个数

　　运行情况，如下图：

最终结果可以看出有346658513个字符。速度非常快用时不到3s。

　　或者B阶段执行val count = file.flatMap(line => line.split("\t")).map(word => (word, 1)).reduceByKey(_+_) 和count.saveAsTextFile("hdfs://10.32.21.165:8020/spark") 将计算结果存储到HDFS上的/spark目录下。

　　也可以执行./bin/spark-shell --master local[2] ，启动一个本地shell ，[2]可以指定线程数，默认是1。

　　执行exit可以退出shell。

十五、执行   ./sbin/stop-all.sh   停止spark集群

也可以通过单独的进程的stop脚本终止

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。

参考：

1、  http://www.linuxidc.com/Linux/2014-06/103210p2.htm

2、  http://spark.apache.org/docs/latest/

3、  http://blog.csdn.net/myrainblues/article/details/22084445