Hadoop 之 Spark 安装配置与示例

Spark 安装配置与示例

Spark，它是大规模数据处理通用的并行化计算框架，基于MapReduce实现分布式计算，其中间结果可以保存在内存中，从而不再需要读写HDFS。Spark 是 Scala 语言实现的， Scala 也被用作其应用程序框架,Spark 和 Scala 能够紧密集成，Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

Spark主要特点是，简单方便，与RDD(是一种只读的、分区的记录集合)，很好结合；计算速度快，中间结果缓存在内存中；操作较为丰富。

Spark可应用于各种运算，如迭代式算法、交互式数据挖掘，还可以应用在 SQL 查询、文本处理、机器学习等方面。相对Hadoop的优势不仅体现在性能提升上，其框架也为Spark Core(批处理)，Spark SQL(交互式)，Spark Streaming(流式)，MLlib(机器学习)，Graphx(图计算)等提供了统一的数据处理平台。

接下来我们看一下Spark的安装配置及简单示例

当然在安装Spark前，检查Hadoop及JDK等有没安装，若没安装，可参考我前几篇文章，这里不再赘述。

一、Spark&Scala安装

1、下载spark-2.1.0-bin-hadoop2.7.tgz安装包 
   http://spark.apache.org/downloads.html

2、  scala-2.11.8.tgz安装包

    http://www.scala-lang.org/download/2.11.8.html

3、  分别解压

     spark-2.1.0-bin-hadoop2.7.tgz、scala-2.11.8.tgz

     到指定目录，如：/opt/spark/、   /opt/scala    

     mv spark-2.1.0-bin-hadoop2.7.tgz  /opt/spark/
     tar -zxvf spark-2.1.0-bin-hadoop2.7.tgz
     mv scala-2.11.8.tgz  /opt/scala
     tar -zxvf scala-2.11.8.tgz

二、配置环境变量

/etc/profile

增加如下内容：

#spark enviroment 
export SPARK_HOME=/opt/spark/spark-2.1.0-bin-hadoop2.7
export PATH=$PATH:$SPARK_HOME/bin
#scla enviroment
export SCALA_HOME=/opt/scala/scala-2.11.8
export PATH=$PATH:$SCALA_HOME/bin

三、复制新建两个配置文件

1、进入$SPARK_HOME/conf目录

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

2、修改spark-env.sh文件

export JAVA_HOME=/usr/java/jdk1.7.0_80
export HADOOP_HOME=/opt/hadoop/hadoop-2.7.3
export HADOOP_CONF_DIR=/opt/hadoop/hadoop-2.7.3/etc/hadoop
export SCALA_HOME=/opt/scala/scala-2.11.8
export SPARK_MASTER_IP=kencentos01
export SPARK_WORKER_MEMORY=1g
export SPARK_LOCAL_DIRS=/opt/spark/spark-2.1.0-bin-hadoop2.7
export SPARK_DRIVER_MEMORY=1g

3、配置slaves文件

# A Spark Worker will be started on each of the machines listed below.
kencentos01
kencentos02
kencentos03

四、同步Spark与scala文件到集群其他节点上

scp -r  /opt/spark/spark-2.1.0-bin-hadoop2.7      hadoop@kencentos02:/opt/spark
scp -r  /opt/spark/spark-2.1.0-bin-hadoop2.7      hadoop@kencentos03:/opt/spark
scp -r  /opt/scala/scala-2.11.8      hadoop@kencentos02:/opt/scala
scp -r  /opt/scala/scala-2.11.8      hadoop@kencentos03:/opt/scala

也可以用命令rsync来实现文件同步

rsync –av /opt/spark/spark-2.1.0-bin-hadoop2.7 hadoop@kencentos02:/opt/spark
rsync -av /opt/scala/scala-2.11.8               hadoop@kencentos02:/opt/scala

五、运行Spark

 1、启动Spark

[hadoop@kencentos01 sbin]$ ./start-all.sh

[hadoop@kencentos01 sbin]$ ./start-all.sh
starting org.apache.spark.deploy.master.Master, logging to /opt/spark/spark-2.1.0-bin-hadoop2.7/logs/spark-hadoop-org.apache.spark.deploy.master.Master-1-kencentos01.out
kencentos02: starting org.apache.spark.deploy.worker.Worker, logging to /opt/spark/spark-2.1.0-bin-hadoop2.7/logs/spark-hadoop-org.apache.spark.deploy.worker.Worker-1-kencentos02.out
kencentos03: starting org.apache.spark.deploy.worker.Worker, logging to /opt/spark/spark-2.1.0-bin-hadoop2.7/logs/spark-hadoop-org.apache.spark.deploy.worker.Worker-1-kencentos03.out
kencentos01: starting org.apache.spark.deploy.worker.Worker, logging to /opt/spark/spark-2.1.0-bin-hadoop2.7/logs/spark-hadoop-org.apache.spark.deploy.worker.Worker-1-kencentos01.out

为了避免与hadoop的启动命令冲突，最好到spark目录下或指定目录执行启动命令start-all

2、查看进程是否正常启动

[hadoop@kencentos01 sbin]$ jps
28678 SecondaryNameNode
31505 Master
28289 FsShell
29148 DataNode
31570 Worker
18144 FsShell
31648 Jps
28503 NameNode
28864 ResourceManager

3、进入UI界面，可以看到运行的节点

4、进入spark-shell，可用用交互式命令操作

Scala 是 Spark 的主要编程语言，写 Spark 应用，并不一定要用 Scala，用 Java、Python 都是也可以，但Scala 的优势是开发效率高，代码精简，可以通过 Spark Shell 进行交互式实时查询，方便排查问题，进入spark-shell

六、运行Spark示例

/examples/src/main 目录下有 Scala、Java、Python、R 等语言的版本的示例程序，这里运行一个计算 π 的近似值的SparkPi示例程序，

采用grep 命令进行过滤，因为不过滤会有很多运行的内容输出，不易查看

[hadoop@kencentos01 bin]$ ./run-example SparkPi 2>&1 | grep "Pi is roughly"

Pi is roughly 3.1409357046785233