小白入门AI教程：教你快速搭建大数据平台『Hadoop+Spark』

Apache Spark 简介

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 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。

尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoop 文件系统中并行运行。通过名为 Mesos 的第三方集群框架可以支持此行为。Spark 由加州大学伯克利分校 AMP 实验室 (Algorithms, Machines, and People Lab) 开发，可用来构建大型的、低延迟的数据分析应用程序。

准备工作1  环境

JDK:1.8  
Spark-2.2.0
Hadoop Release:2.7.4  
centos:7.3

主机名	ip地址	安装服务
spark-master	192.168.252.121	jdk、hadoop、spark、scala
spark-slave01	192.168.252.122	jdk、hadoop、spark
spark-slave02	192.168.252.123	jdk、hadoop、spark

2  依赖环境

Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 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。安装 Scala:

• Scala

Scala-2.13.0 安装及配置（https://link.juejin.im/?target=https%3A%2F%2Fsegmentfault.com%2Fa%2F1190000011314775）  

• Hadoop

Hadoop-2.7.4 集群快速搭建（https://link.juejin.im/?target=https%3A%2F%2Fsegmentfault.com%2Fa%2F1190000011266759）

 

安装

 

1  下载解压

 

su hadoopcd /home/hadoop/
wget https://mirrors.tuna.tsinghua.edu.cn/apache/spark/spark-2.2.0/spark-2.2.0-bin-hadoop2.7.tgz
tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz
mv spark-2.2.0-bin-hadoop2.7 spark-2.2.0

2  环境变量

如果是对所有的用户都生效就修改vi /etc/profile 文件如果只针对当前用户生效就修改 vi ~/.bahsrc  文件

sudo vi /etc/profile

#sparkexport PATH=${SPARK_HOME}/bin:$PATHexport SPARK_HOME=/home/hadoop/spark-2.2.0/

使环境变量生效，运行 source /etc/profile使/etc/profile 文件生效

3  修改配置

 

修改 spark-env.sh

cd /home/hadoop/spark-2.2.0/conf
mv spark-env.sh.template spark-env.sh
vi spark-env.sh
#javaexport JAVA_HOME=/lib/jvm#Spark主节点的IPexport SPARK_MASTER_IP=192.168.252.121#Spark主节点的端口号export SPARK_MASTER_PORT=7077

简单介绍几个变量

• JAVA_HOME：Java安装目录

• SCALA_HOME：Scala安装目录

• HADOOP_HOME：hadoop安装目录

• HADOOP_CONF_DIR：hadoop集群的配置文件的目录

• SPARK_MASTER_IP：spark集群的Master节点的ip地址

• SPARK_WORKER_MEMORY：每个worker节点能够最大分配给exectors的内存大小

• SPARK_WORKER_CORES：每个worker节点所占有的CPU核数目

• SPARK_WORKER_INSTANCES：每台机器上开启的worker节点的数目

 

修改 slaves

cd /home/hadoop/spark-2.2.0/conf
mv slaves.template slaves
vi slaves
node1
node2
node3

4  配置集群

 

复制节点

进去 spark 安装目录 ，打包，并发送，到其他节点

cd cd /home/hadoop/

tar zcvf spark.tar.gz spark-2.2.0

scp spark.tar.gz hadoop@node2:/home/hadoop/
scp spark.tar.gz hadoop@node3:/home/hadoop/

进去 node1,node2 节点 解压

cd /home/hadoop/
tar -zxvf spark.tar.gz

环境变量

到这里一步 确保你的每一个节点 环境变量够数

#jdk
export JAVA_HOME=/lib/jvm
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${SPARK_HOME}/bin:${SCALA_HOME}/bin:${HADOOP_HOME}/bin:${JAVA_HOME}/bin:$PATH

#hadoop
export HADOOP_HOME=/home/hadoop/hadoop-2.7.4/

#scala
export SCALA_HOME=/lib/scala

#spark
export SPARK_HOME=/home/hadoop/spark-2.2.0/

5  启动集群

关闭防火墙

systemctl stop firewalld.service

启动 Hadoop

cd /home/hadoop/hadoop-2.7.4/sbin
./start-all.sh

启动 Spark

cd /home/hadoop/spark-2.2.0/sbin
./start-all.sh

启动 Spark Shell

cd /home/hadoop/spark-2.2.0/bin ./spark-shell

spark 访问：192.168.252.121:8080

spark-shell 访问：192.168.252.121:4040