【注】該系列文章以及使用到安裝包/測試數據 可以在《傾情大奉送--Spark入門實戰系列》獲取

1、編譯Spark

Spark可以通過SBT和Maven兩種方式進行編譯，再通過make-distribution.sh腳本生成部署包。SBT編譯需要安裝git工具，而Maven安裝則需要maven工具，兩種方式均需要在聯網下進行，通過比較發現SBT編譯速度較慢（原因有可能是1、時間不一樣，SBT是白天編譯，Maven是深夜進行的，獲取依賴包速度不同 2、maven下載大文件是多線程進行，而SBT是單進程），Maven編譯成功前后花了3、4個小時。

1.1 編譯Spark（SBT）

1.1.1 安裝git并編譯安裝

1.  從如下地址下載git安裝包

http://www.onlinedown.net/softdown/169333_2.htm

https://www.kernel.org/pub/software/scm/git/

如果linux是CentOS操作系統可以通過：yum install git直接進行安裝

由于從https獲取內容，需要安裝curl-devel，可以從如下地址獲取

http://rpmfind.net/linux/rpm2html/search.php?query=curl-devel

如果linux是CentOS操作系統可以通過：yum install curl-devel直接進行安裝

2. 上傳git并解壓縮

把git-1.7.6.tar.gz安裝包上傳到/home/hadoop/upload目錄中，解壓縮然后放到/app目錄下

$cd /home/hadoop/upload/

$tar -xzf git-1.7.6.tar.gz

$mv git-1.7.6 /app

$ll /app

3. 編譯安裝git

以root用戶進行在git所在路徑編譯安裝git

#yum install curl-devel

#cd /app/git-1.7.6 

#./configure

#make

#make install

4. 把git加入到PATH路徑中

打開/etc/profile把git所在路徑加入到PATH參數中

export GIT_HOME=/app/git-1.7.6

export PATH=$PATH:$JAVA_HOME/bin:$MAVEN_HOME/bin:$GIT_HOME/bin

重新登錄或者使用source /etc/profile使參數生效，然后使用git命令查看配置是否正確

1.1.2 下載Spark源代碼并上傳

1. 可以從如下地址下載到spark源代碼：

http://spark.apache.org/downloads.html

http://d3kbcqa49mib13.cloudfront.net/spark-1.1.0.tgz

git clone https://github.com/apache/spark.git

把下載好的spark-1.1.0.tgz源代碼包使用1.1.3.1介紹的工具上傳到/home/hadoop/upload 目錄下

2. 在主節點上解壓縮

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0.tgz

3. 把spark-1.1.0改名并移動到/app/complied目錄下

$mv spark-1.1.0 /app/complied/spark-1.1.0-sbt

$ls /app/complied

1.1.3 編譯代碼

編譯spark源代碼的時候，需要從網上下載依賴包，所以整個編譯過程機器必須保證在聯網狀態。編譯執行如下腳本：

$cd /app/complied/spark-1.1.0-sbt

$sbt/sbt assembly -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Pkinesis-asl -Phive

整個編譯過程編譯了約十幾個任務，重新編譯N次，需要幾個甚至十幾個小時才能編譯完成（主要看下載依賴包的速度）。

1.2 編譯Spark（Maven）

1.2.1 安裝Maven并配置參數

在編譯前最好安裝3.0以上版本的Maven，在/etc/profile配置文件中加入如下設置：

export MAVEN_HOME=/app/apache-maven-3.0.5

export PATH=$PATH:$JAVA_HOME/bin:$MAVEN_HOME/bin:$GIT_HOME/bin

1.2.2 下載Spark源代碼并上傳

1. 可以從如下地址下載到spark源代碼：

http://spark.apache.org/downloads.html

http://d3kbcqa49mib13.cloudfront.net/spark-1.1.0.tgz

git clone https://github.com/apache/spark.git

把下載好的spark-1.1.0.tgz源代碼包使用1.1.3.1介紹的工具上傳到/home/hadoop/upload 目錄下

2. 在主節點上解壓縮

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0.tgz

3. 把spark-1.1.0改名并移動到/app/complied目錄下

$mv spark-1.1.0 /app/complied/spark-1.1.0-mvn

$ls /app/complied

1.2.3 編譯代碼

編譯spark源代碼的時候，需要從網上下載依賴包，所以整個編譯過程機器必須保證在聯網狀態。編譯執行如下腳本：

$cd /app/complied/spark-1.1.0-mvn

$export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"

$mvn -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Pkinesis-asl -Phive -DskipTests clean package

整個編譯過程編譯了約24個任務，整個過程耗時1小時45分鐘。

1.3 生成Spark部署包

在Spark源碼根目錄下有一個生成部署包的腳本make-distribution.sh，可以通過執行如下命令進行打包 ./make-distribution.sh [--name] [--tgz] [--with-tachyon] <maven build options>

l  --name NAME和--tgz 結合可以生成spark-$VERSION-bin-$NAME.tgz 的部署包，不加此參數時NAME 為hadoop 的版本號

l  --tgz在根目錄下生成 spark-$VERSION-bin.tgz ，不加此參數時不生成tgz 文件，只生成/dist 目錄

l  --with-tachyon  是否支持內存文件系統Tachyon ，不加此參數時不支持tachyon

例子：

1. 生成支持yarn 、hadoop2.2.0 、hive 的部署包：

./make-distribution.sh --tgz --name 2.2.0 -Pyarn -Phadoop-2.2 -Phive

2. 生成支持yarn 、hadoop2.2.0 、hive 、ganglia 的部署包：

./make-distribution.sh --tgz --name 2.2.0 -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -P hive

1.3.1 生成部署包

使用如下命令生成Spark部署包，由于該腳本默認在JDK1.6進行，在開始時會進行詢問是否繼續，只要選擇Y即可

$cd /app/complied/spark-1.1.0-mvn/

$./make-distribution.sh --tgz --name 2.2.0 -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -P hive

 

生成Spark部署包編譯了約24個任務，用時大概1小時38分鐘。

 

1.3.2 查看生成結果

生成在部署包位于根目錄下，文件名類似于spark-1.1.0-bin-2.2.0.tgz。

2、安裝Spark

2.1 上傳并解壓Spark安裝包

1.我們使用上一步驟編譯好的spark-1.1.0-bin-2.2.0.tgz文件作為安裝包（也可以從網上下載native文件夾或者打包好的64位hadoop安裝包），使用"Spark編譯與部署（上）"中1. 3.1介紹的工具上傳到/home/hadoop/upload 目錄下

2. 在主節點上解壓縮

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0-bin-2.2.0.tgz

3. 把spark改名并移動到/app/hadoop目錄下

$mv spark-1.1.0-bin-2.2.0 /app/hadoop/spark-1.1.0

$ll /app/hadoop

2.2 配置/etc/profile

1. 打開配置文件/etc/profile

$sudo vi /etc/profile

2.     定義SPARK_HOME并把spark路徑加入到PATH參數中

SPARK_HOME=/app/hadoop/spark-1.1.0

PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

2.3 配置conf/slaves

1. 打開配置文件conf/slaves

$cd /app/hadoop/spark-1.1.0/conf

$sudo vi slaves

2. 加入slave配置節點

hadoop1

hadoop2

hadoop3

2.4 配置conf/spark-env.sh

1. 打開配置文件conf/spark-env.sh

$cd /app/hadoop/spark-1.1.0/conf

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

$sudo vi spark-env.sh

2. 加入Spark環境配置內容，設置hadoop1為Master節點

export SPARK_MASTER_IP=hadoop1

export SPARK_MASTER_PORT=7077

export SPARK_WORKER_CORES=1

export SPARK_WORKER_INSTANCES=1

export SPARK_WORKER_MEMORY=512M

2.5 向各節點分發Spark程序

1. 進入hadoop1機器/app/hadoop目錄，使用如下命令把spark文件夾復制到hadoop2和hadoop3機器

$cd /app/hadoop

$scp -r spark-1.1.0 hadoop@hadoop2:/app/hadoop/

$scp -r spark-1.1.0 hadoop@hadoop3:/app/hadoop/

2. 在從節點查看是否復制成功

2.6 啟動Spark

$cd /app/hadoop/spark-1.1.0/sbin

$./start-all.sh

2.7 驗證啟動

此時在hadoop1上面運行的進程有：Worker和Master

此時在hadoop2和hadoop3上面運行的進程有只有Worker

 

通過 netstat -nlt 命令查看hadoop1節點網絡情況

在瀏覽器中輸入 http://hadoop1:8080（需要注意的是要在網絡設置中把hadoop*除外，否則會到外網DNS解析，出現無法訪問的情況） 既可以進入Spark集群狀態頁面

2.8 驗證客戶端連接

進入hadoop1節點，進入spark的bin目錄，使用spark-shell連接集群

$cd /app/hadoop/spark-1.1.0/bin

$spark-shell --master spark://hadoop1:7077 --executor-memory 500m

在命令中只指定了內存大小并沒有指定核數，所以該客戶端將占用該集群所有核并在每個節點分配500M內存

3、Spark測試

3.1 使用Spark-shell測試

這里我們測試一下在Hadoop中大家都知道的WordCout程序，在MapReduce實現WordCout需要Map、Reduce和Job三個部分，而在Spark中甚至一行就能夠搞定。下面就看一下是如何實現的：

3.1.1 啟動HDFS

$cd /app/hadoop/hadoop-2.2.0/sbin

$./start-dfs.sh

通過jps觀察啟動情況，在hadoop1上面運行的進程有：NameNode、SecondaryNameNode和DataNode

hadoop2和hadoop3上面運行的進程有：NameNode和DataNode

3.1.2 上傳數據到HDFS中

把hadoop配置文件core-site.xml文件作為測試文件上傳到HDFS中

$hadoop fs -mkdir -p /user/hadoop/testdata

$hadoop fs -put /app/hadoop/hadoop-2.2.0/etc/hadoop/core-site.xml /user/hadoop/testdata

3.1.3 啟動Spark

$cd /app/hadoop/spark-1.1.0/sbin

$./start-all.sh

3.1.4 啟動Spark-shell

在spark客戶端（這里在hadoop1節點)，使用spark-shell連接集群

$cd /app/hadoop/spark-1.1.0/bin

$./spark-shell --master spark://hadoop1:7077 --executor-memory 512m --driver-memory 500m

3.1.5 運行WordCount腳本

下面就是WordCount的執行腳本，該腳本是scala編寫，以下為一行實現：

scala>sc.textFile("hdfs://hadoop1:9000/user/hadoop/testdata/core-site.xml").flatMap(_.split(" ")).map(x=>(x,1)).reduceByKey(_+_).map(x=>(x._2,x._1)).sortByKey(false).map(x=>(x._2,x._1)).take(10)

為了更好看到實現過程，下面將逐行進行實現：

scala>val rdd=sc.textFile("hdfs://hadoop1:9000/user/hadoop/testdata/core-site.xml")

scala>rdd.cache()

scala>val wordcount=rdd.flatMap(_.split(" ")).map(x=>(x,1)).reduceByKey(_+_)

scala>wordcount.take(10)

scala>val wordsort=wordcount.map(x=>(x._2,x._1)).sortByKey(false).map(x=>(x._2,x._1))

scala>wordsort.take(10)

詞頻統計結果如下：

Array[(String, Int)] = Array(("",100), (the,7), (</property>,6), (<property>,6), (under,3), (in,3), (License,3), (this,2), (-->,2), (file.,2))

3.1.6 觀察運行情況

通過http://hadoop1:8080查看Spark運行情況，可以看到Spark為3個節點，每個節點各為1個內核/512M內存，客戶端分配3個核，每個核有512M內存。

通過點擊客戶端運行任務ID，可以看到該任務在hadoop2和hadoop3節點上運行，在hadoop1上并沒有運行，主要是由于hadoop1為NameNode和Spark客戶端造成內存占用過大造成

3.2 使用Spark-submit測試

從Spark1.0.0開始，Spark提供了一個易用的應用程序部署工具bin/spark-submit，可以完成Spark應用程序在local、Standalone、YARN、Mesos上的快捷部署。該工具語法及參數說明如下：

Usage: spark-submit [options] <app jar | python file> [app options]

Options:

  --master MASTER_URL          spark://host:port, mesos://host:port, yarn, or local.

  --deploy-mode DEPLOY_MODE  driver運行之處，client運行在本機，cluster運行在集群

  --class CLASS_NAME            應用程序包的要運行的class

  --name NAME                  應用程序名稱

  --jars JARS                     用逗號隔開的driver本地jar包列表以及executor類路徑

  --py-files PY_FILES              用逗號隔開的放置在Python應用程序

PYTHONPATH上的.zip, .egg, .py文件列表

  --files FILES                    用逗號隔開的要放置在每個executor工作目錄的文件列表

  --properties-file FILE           設置應用程序屬性的文件放置位置，默認是conf/spark-defaults.conf

  --driver-memory MEM         driver內存大小，默認512M

  --driver-java-options           driver的java選項

  --driver-library-path            driver的庫路徑Extra library path entries to pass to the driver

  --driver-class-path             driver的類路徑，用--jars 添加的jar包會自動包含在類路徑里

  --executor-memory MEM       executor內存大小，默認1G

 

 Spark standalone with cluster deploy mode only:

  --driver-cores NUM           driver使用內核數，默認為1

  --supervise                   如果設置了該參數，driver失敗是會重啟

 

 Spark standalone and Mesos only:

  --total-executor-cores NUM    executor使用的總核數

 

 YARN-only:

  --executor-cores NUM         每個executor使用的內核數，默認為1

  --queue QUEUE_NAME        提交應用程序給哪個YARN的隊列，默認是default隊列

  --num-executors NUM        啟動的executor數量，默認是2個

  --archives ARCHIVES          被每個executor提取到工作目錄的檔案列表，用逗號隔開

3.2.1 運行腳本1

該腳本為Spark自帶例子，在該例子中個計算了圓周率π的值，以下為執行腳本：

$cd /app/hadoop/spark-1.1.0/bin

$./spark-submit --master spark://hadoop1:7077 --class org.apache.spark.examples.SparkPi --executor-memory 512m ../lib/spark-examples-1.1.0-hadoop2.2.0.jar 200

參數說明（詳細可以參考上面的參數說明）：

l  --master Master所在地址，可以有Mesos、Spark、YARN和Local四種，在這里為Spark Standalone集群，地址為spark://hadoop1:7077

l  --class應用程序調用的類名，這里為org.apache.spark.examples.SparkPi

l  --executor-memory 每個executor所分配的內存大小，這里為512M

l  執行jar包 這里是../lib/spark-examples-1.1.0-hadoop2.2.0.jar

l  分片數目 這里數目為200

3.2.2 觀察運行情況

通過觀察Spark集群有3個Worker節點和正在運行的1個應用程序，每個Worker節點為1內核/512M內存。由于沒有指定應用程序所占內核數目，則該應用程序占用該集群所有3個內核，并且每個節點分配512M內存。

根據每個節點負載情況，每個節點運行executor并不相同，其中hadoop1的executor數目為0。而hadoop3執行executor數為10個，其中5個EXITED狀態，5個KILLED狀態。

3.2.3 運行腳本2

該腳本為Spark自帶例子，在該例子中個計算了圓周率π的值，區別腳本1這里指定了每個executor內核數據，以下為執行腳本：

$cd /app/hadoop/spark-1.1.0/bin

$./spark-submit --master spark://hadoop1:7077 --class org.apache.spark.examples.SparkPi --executor-memory 512m --total-executor-cores 2 ../lib/spark-examples-1.1.0-hadoop2.2.0.jar 200

參數說明（詳細可以參考上面的參數說明）：

l  --master Master所在地址，可以有Mesos、Spark、YARN和Local四種，在這里為Spark Standalone集群，地址為spark://hadoop1:7077

l  --class應用程序調用的類名，這里為org.apache.spark.examples.SparkPi

l  --executor-memory 每個executor所分配的內存大小，這里為512M

l  --total-executor-cores 2 每個executor分配的內核數

l  執行jar包 這里是../lib/spark-examples-1.1.0-hadoop2.2.0.jar

l  分片數目 這里數目為200

 

3.2.4 觀察運行情況

通過觀察Spark集群有3個Worker節點和正在運行的1個應用程序，每個Worker節點為1內核/512M內存。由于指定應用程序所占內核數目為2，則該應用程序使用該集群所有2個內核。