Ubuntu16.04安装Hadoop2.6+Spark1.6+开发实例

Ubuntu16.04安装Hadoop2.6+Spark1.6，并安装python开发工具Jupyter notebook，通过pyspark测试一个实例，調通整个Spark+hadoop伪分布式开发环境。

主要内容：配置root用户，配置Hadoop，Spark环境变量，Hadoop伪分布式安装并测试实例，spark安装并通过Jupter notebook进行开发实例，配置Jupter notebook兼容Python2和python3双内核共存开发。

默认已经正确安装了JDK，并设置了JAVA_HOME(安装JDK教程较多，不再赘述)

1.配置环境变量

1.0 配置SSH

ssh免密匙登录

sudo apt-get install ssh
sudo apt-get install rsync

ssh-keygen -t rsa //一路回车就好
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
ssh localhost  //不需要输入密码时即成功

1.1.进入root用户

1.1.1 root用户初始为禁止登陆，通过重新设置密码达到root可登陆目的。

sudo passwd //回车输入新的root账户密码两次

su //以root登录 执行设计opt的文件

在本用户（root用户和普通用户）下

ls -a

1.1.2.为了使得当前user如wxl(wangxiaolei)用户的变量在root用户中也能生效，需要修改root用户下的.bashrc文件。方法如下。

su

vim ~/.bashrc
#增加内容
source /etc/profile

重新启动terminal/终端

1.2.配置当前用户中hadoop和spark的环境变量（有的开发人员习惯先创建一个Hadoop新用户来做，其实这个是可有可无的）

vim /etc/profile.d/spark.sh

export SPARK_HOME="/opt/spark"
export PATH="$SPARK_HOME/bin:$PATH"
export PYTHONPATH="$SPARK_HOME/python"

vim /etc/profile.d/hadoopsnc.sh (hadoop Single node cluster)

export HADOOP_HOME="/opt/hadoop"
export CLASSPATH=".:$JAVA_HOME/lib:$CLASSPATH"
export PATH="$JAVA_HOME/:$HADOOP_HOME/bin:$PATH"
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

1.3.解决localhost: Error: JAVA_HOME is not set and could not be found.

修改/opt/hadoop/etc/hadoop/hadoop-env.sh

vim /opt/hadoop/etc/hadoop/hadoop-env.sh
#增加
export JAVA_HOME=/opt/java

2.安装Hadoop。在单机情景下，可以单例也可以伪分布式安装。本次详细介绍了伪分布式安装。

2.0.Hadoop单机模式

bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.4.jar grep input output 'dfs[a-z.]+'

结果如图

cat output/*

Tip：再次运行例子时候需要手动删除output文件，否则报错

删除output文件

rm -rf output

2.1.伪分布式模式

进入hadoop解压路径中

cd /opt/hadoop

2.2.源码修改

vim etc/hadoop/core-site.xml

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

vim etc/hadoop/hdfs-site.xml

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
</configuration>

2.3.初始化节点

Tip 如果出错，可以删除生成的文件在/tem路径下

rm -rf /tmp/hadoop-wxl

注意：因为format在/tmp目录下，所以每次重启机器这些文件会丢失，所以。。。每次开机都需要format一次。

初始化namenode

bin/hdfs namenode -format

2.4.启动hdfs

sbin/start-dfs.sh

查看是否正常启动

jps

若启动成功，访问web端http://localhost:50070

2.5.YARN 的伪分布式

2.5.1.源码修改

创建一个mapred-site.xml，这里采用源文件备份的mapred-site.xml。

cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml

vim etc/hadoop/mapred-site.xml

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

vim etc/hadoop/yarn-site.xml

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
</configuration>

2.5.2开启YARN

sbin/start-yarn.sh

查看是否全部正常启动命令jps，如图

也可以在web端查看，地址http://localhost:8088/cluster

2.6.运行例子：

bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.4.jar grep input output 'dfs[a-z.]+'
bin/hdfs dfs -get output output
bin/hdfs dfs -cat output/*

2.7.关闭YARN/dfs

sbin/stop-dfs.sh
sbin/stop-yarn.sh

3.安装spark

3.1.解压，移动到/opt路径下

cd /home/wxl/Downloads
tar -zxf spark-1.6.2-bin-hadoop2.6.tgz
sudo mv spark-1.6.2-bin-hadoop2.6 /opt/spark

在/opt/spark/conf的文件，将spark-env.sh.template复制为spark-env.sh

增加

export JAVA_HOME=/opt/java

即可。

可以看到spark配置比较简单，只需要解压，放置指定路径皆可。

3.2.通过小例子的shell测试

3.2.1.开启pyspark

./bin/pyspark

3.2.2.pyspark在shell中开发

lines =sc.textFile("README.md")
lines.count()
lines.first()
exit() #或者ctrl+c

可以看到每次shell打印一堆info信息，为了较少信息输出，建立log机制

cp conf/log4j.properties.template conf/log4j.properties

将log4j.properties文件中的log4j.rootCategory=INFO, console

修改为 log4j.rootCategory=WARN, console

3.3.pyspark在jupyter notebook 中开发

启动Spark 1.6 的开发工具 jupyter notebook

IPYTHON_OPTS="notebook" /opt/spark/bin/pyspark

Tip:如果是spark 2.0+版本运行以下启动jupyter notebook命令(更新于20160825)

PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS='notebook' /opt/spark-2.0.0-bin-hadoop2.7/bin/pyspark

输入测试例子，shift+enter是运行本单元格并且建立新行，依次输入

lines =sc.textFile("README.md")
lines.count()
lines.first()

至此，整个环境搭建和开发过程总结完毕，愉快的开发吧！

注意：Spark支持的python版本是python2.7.x，也支持python3.4+。但是在开发程序时候，朋友请保证注意pyhton版本，如果程序和使用内核不同的话，jupyter notebook内核则会报错。