1、spark集群搭建

前提：已经搭建完全分布式的Hadoop集群，请参看http://www.cnblogs.com/netbloomy/p/6660131.html

1、Scala2.12.1环境搭建

1)、下载scala安装包：wget https://downloads.lightbend.com/scala/2.12.1/scala-2.12.1.rpm

2)、安装：rpm -ivh scala-2.12.1.rpm

3)、添加环境变量：

　　export SCALA_HOME=/usr/share/scala
　　export PATH=$SCALA_HOME/bin:$PATH

2、Spark2.1.0完全分布式环境搭建

以下操作都在c7001节点/opt目录下进行。

1)、下载二进制包:

　　[vagrant@c7002 opt]$ wget http://d3kbcqa49mib13.cloudfront.net/spark-2.1.0-bin-hadoop2.7.tgz

2)、解压并移动到相应目录，命令如下：

　　tar -zxvf spark-2.1.0-bin-hadoop2.7.tgz

3)、修改相应的配置文件。

　　修改/etc/profie，增加如下内容：

　　export SPARK_HOME=/opt/spark-2.1.0-bin-hadoop2.7
　　export PATH=$PATH:$SPARK_HOME/bin

　　复制spark-env.sh.template成spark-env.sh

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

　　修改$SPARK_HOME/conf/spark-env.sh，添加如下内容：

　　export JAVA_HOME=/opt/jdk1.8.0_121 #配置java路径
　　export SCALA_HOME=/usr/share/scala #配置scala路径
　　export HADOOP_HOME=/opt/hadoop-2.8.0 #配置hadoop的路径
　　export HADOOP_CONF_DIR=/opt/hadoop-2.8.0/etc/hadoop #配置hadoop的配置路径
　　export SPARK_MASTER_IP=192.168.70.101 #master节点ip
　　export SPARK_MASTER_HOST=c7001 #master节点hostname
　　export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=1" #spark-shell启动使用核数
　　export SPARK_LOCAL_IP=192.168.70.101 #本机ip或hostname
　　export SPARK_LOCAL_DIRS=/opt/spark-2.1.0-bin-hadoop2.7/local #配置spark的local目录
　　export SPARK_MASTER_WEBUI_PORT=8080 #web页面端口
　　export SPARK_WORKER_MEMORY=1g #worker内存大小
　　export SPARK_WORKER_CORES=1 #Worker的cpu核数
　　export SPARK_WORKER_DIR=/opt/spark-2.1.0-bin-hadoop2.7/work #worker目录
　　export SPARK_WORKER_OPTS="-Dspark.worker.cleanup.enabled=true -Dspark.worker.cleanup.appDataTtl=604800" #worker自动清理及清理时间间隔
　　export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://192.168.70.101:9000/tmp/spark/applicationHistory" #history server页面端口、备份数、log日志在HDFS的位置　　
　　export SPARK_LOG_DIR=/opt/spark-2.1.0-bin-hadoop2.7/log #配置Spark的log日志目录
　　export SPARK_HOME=/opt/spark-2.1.0-bin-hadoop2.7
　　export SPARK_DIST_CLASSPATH=$(/opt/hadoop-2.8.0/bin/hadoop classpath)

　　spark-defaults.conf内容如下
　　spark.eventLog.enabled true #eventLog是否生效（建议开启，可以对已完成的任务记录其详细日志）
　　spark.eventLog.compress true #eventLog是否启用压缩（cpu性能好的情况下建议开启，以减少内存等的占用）
　　spark.eventLog.dir hdfs://192.168.70.101:9000/tmp/spark/applicationHistory #eventLog的文件存放位置，与spark-env.sh中的history server配置位置一致,这两个位置必须手动创建 hadoop fs -mkdir -p /tmp/spark/applicationHistory,否则spark启动失败
　　spark.broadcast.blockSize 8m #广播块大小
　　spark.executor.cores 1 #Executor的cpu核数
　　spark.executor.memory 512m #Executor的内存大小
　　spark.executor.heartbeatInterval 20s #Executor心跳交换时间间隔
　　spark.files.fetchTimeout 120s #文件抓取的timeout
　　spark.task.maxFailures 6 #作业最大失败次数（达到此次数后，该作业不再继续执行，运行失败）
　　spark.serializer org.apache.spark.serializer.KryoSerializer #设置序列化机制（默认使用java的序列化，但是速度很慢，建议使用Kryo）
　　spark.kryoserializer.buffer.max 256m #序列化缓冲大小
　　spark.akka.frameSize 128 #Akka调度帧大小
　　spark.default.parallelism 20 #默认并行数
　　spark.network.timeout 300s #最大网络延时
　　spark.speculation true #Spark推测机制（建议开启）

　　复制slaves.template成slaves

　　cp slaves.template slaves

　　修改$SPARK_HOME/conf/slaves，添加如下内容：

　　c7002
　　c7003
　　c7004
　　c7005

4)、将配置好的spark文件复制到c7002、c7003、c7004和c7005节点。

　　scp -r /opt/spark-2.1.0-bin-hadoop2.7 vagrant@C7002:/opt
　　scp -r /opt/spark-2.1.0-bin-hadoop2.7 vagrant@C7003:/opt
　　scp -r /opt/spark-2.1.0-bin-hadoop2.7 vagrant@C7004:/opt
　　scp -r /opt/spark-2.1.0-bin-hadoop2.7 vagrant@C7005:/opt

5)、修改c7002、c7003、c7004和c7005节点配置。

　　在c7002、c7003、c7004和c7005节点上分别修改/etc/profile，增加Spark的配置，过程同c7001一样。

　　在c7002、c7003、c7004和c7005节点修改$SPARK_HOME/conf/spark-env.sh，将export SPARK_LOCAL_IP=192.168.70.101改成c7002、c7003、c7004和c7005对应节点的IP。

6)、在Master节点启动集群。

　　/opt/spark-2.1.0-bin-hadoop2.7/sbin/start-all.sh

7)、查看集群是否启动成功：

　　jps

　　Master在Hadoop的基础上新增了：

　　Master

　　Slave在Hadoop的基础上新增了：

　　Worker

3、spark-submit提交作业
代码需要提交到spark运行，使用命令 spark-submit --master spark://c7001:7077 test.py
spark-submit 在默认情况下它会从Spark文件夹的conf/spark-defaults.conf读取参数
如果配置了spark.master, 你就可以不用在调用spark-submit脚本时设置--master参数
如果你不清楚配置项来自哪里，你可以使用--verbose打印详细的调试信息