Apache Spark1.1.0部署与开发环境搭建

　　Spark是Apache公司推出的一种基于Hadoop Distributed File System(HDFS)的并行计算架构。与MapReduce不同，Spark并不局限于编写map和reduce两个方法，其提供了更为强大的内存计算(in-memory computing)模型，使得用户可以通过编程将数据读取到集群的内存当中，并且可以方便用户快速地重复查询，非常适合用于实现机器学习算法。本文将介绍Apache Spark1.1.0部署与开发环境搭建。

0. 准备

　　出于学习目的，本文将Spark部署在虚拟机中，虚拟机选择VMware WorkStation。在虚拟机中，需要安装以下软件：

• Ubuntu 14.04.1 LTS 64位桌面版
• hadoop-2.4.0.tar.gz
• jdk-7u67-linux-x64.tar.gz 
• scala-2.10.4.tgz
• spark-1.1.0-bin-hadoop2.4.tgz

　　Spark的开发环境，本文选择Windows7平台，IDE选择IntelliJ IDEA。在Windows中，需要安装以下软件：

• IntelliJ IDEA 13.1.4 Community Edition
• apache-maven-3.2.3-bin.zip(安装过程比较简单，请读者自行安装)

1. 安装JDK

　　解压jdk安装包到/usr/lib目录：

sudo cp jdk-7u67-linux-x64.gz /usr/lib
cd /usr/lib
sudo tar -xvzf jdk-7u67-linux-x64.gz
sudo gedit /etc/profile

　　在/etc/profile文件的末尾添加环境变量：

export JAVA_HOME=/usr/lib/jdk1.7.0_67
export JRE_HOME=/usr/lib/jdk1.7.0_67/jre
export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH

　　保存并更新/etc/profile：

source /etc/profile

　　测试jdk是否安装成功：

java -version

2. 安装及配置SSH

sudo apt-get update
sudo apt-get install openssh-server
sudo /etc/init.d/ssh start

　　生成并添加密钥：

ssh-keygen -t rsa -P ""  
cd /home/hduser/.ssh 
cat id_rsa.pub >> authorized_keys

　　ssh登录：

ssh localhost

3. 安装hadoop2.4.0

　　采用伪分布模式安装hadoop2.4.0。解压hadoop2.4.0到/usr/local目录：

sudo cp hadoop-2.4.0.tar.gz /usr/local/
sudo tar -xzvf hadoop-2.4.0.tar.gz

　　在/etc/profile文件的末尾添加环境变量：

export HADOOP_HOME=/usr/local/hadoop-2.4.0
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"

　　保存并更新/etc/profile：

source /etc/profile

　　在位于/usr/local/hadoop-2.4.0/etc/hadoop的hadoop-env.sh和yarn-env.sh文件中修改jdk路径：

cd /usr/local/hadoop-2.4.0/etc/hadoop
sudo gedit hadoop-env.sh
sudo gedit yarn-evn.sh

hadoop-env.sh：

yarn-env.sh：

　　修改core-site.xml：

sudo gedit core-site.xml

　　在<configuration></configuration>之间添加：

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

<property>
  <name>hadoop.tmp.dir</name>
  <value>/app/hadoop/tmp</value>
</property>

　　修改hdfs-site.xml：

sudo gedit hdfs-site.xml

　　在<configuration></configuration>之间添加：

<property>
  <name>dfs.namenode.name.dir</name>
  <value>/app/hadoop/dfs/nn</value>
</property>

<property>
  <name>dfs.namenode.data.dir</name>
  <value>/app/hadoop/dfs/dn</value>
</property>

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

　　修改yarn-site.xml：

sudo gedit yarn-site.xml

　　在<configuration></configuration>之间添加：

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

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

　　复制并重命名mapred-site.xml.template为mapred-site.xml：

sudo cp mapred-site.xml.template mapred-site.xml
sudo gedit mapred-site.xml

　　在<configuration></configuration>之间添加：

<property>
  <name>mapreduce.jobtracker.address </name>
  <value>hdfs://localhost:9001</value>
</property>

　　在启动hadoop之前，为防止可能出现无法写入log的问题，记得为/app目录设置权限：

sudo mkdir /app
sudo chmod -R hduser:hduser /app

　　格式化hadoop：

hadoop namenode -format 

　　启动hdfs和yarn。在开发Spark时，仅需要启动hdfs：

sbin/start-dfs.sh  
sbin/start-yarn.sh  

 　　在浏览器中打开地址http://localhost:50070/可以查看hdfs状态信息：

4. 安装scala

sudo cp /home/hduser/Download/scala-2.9.3.tgz /usr/local
sudo tar -xvzf scala-2.9.3.tgz 

　　在/etc/profile文件的末尾添加环境变量：

export SCALA_HOME=/usr/local/scala-2.9.3
export PATH=$SCALA_HOME/bin:$PATH

　　保存并更新/etc/profile：

1 source /etc/profile

　　测试scala是否安装成功：

1 scala -version

5. 安装Spark

sudo cp spark-1.1.0-bin-hadoop2.4.tgz /usr/local
sudo tar -xvzf spark-1.1.0-bin-hadoop2.4.tgz 

　　在/etc/profile文件的末尾添加环境变量：

1 export SPARK_HOME=/usr/local/spark-1.1.0-bin-hadoop2.4
2 export PATH=$SPARK_HOME/bin:$PATH

　　保存并更新/etc/profile：

1 source /etc/profile

　　复制并重命名spark-env.sh.template为spark-env.sh：

sudo cp spark-env.sh.template spark-env.sh
sudo gedit spark-env.sh

　　在spark-env.sh中添加：

export SCALA_HOME=/usr/local/scala-2.9.3
export JAVA_HOME=/usr/lib/jdk1.7.0_67
export SPARK_MASTER_IP=localhost
export SPARK_WORKER_MEMORY=1000m

　　启动Spark：

cd /usr/local/spark-1.1.0-bin-hadoop2.4
sbin/start-all.sh

　　测试Spark是否安装成功：

cd /usr/local/spark-1.1.0-bin-hadoop2.4
bin/run-example SparkPi

6. 搭建Spark开发环境

　　本文开发Spark的IDE推荐IntelliJ IDEA，当然也可以选择Eclipse。在使用IntelliJ IDEA之前，需要安装scala的插件。点击Configure：

　　点击Plugins：

　　点击Browse repositories...：

　　在搜索框内输入scala，选择Scala插件进行安装。由于已经安装了这个插件，下图没有显示安装选项：

　　安装完成后，IntelliJ IDEA会要求重启。重启后，点击Create New Project：

　　Project SDK选择jdk安装目录，建议开发环境中的jdk版本与Spark集群上的jdk版本保持一致。点击左侧的Maven，勾选Create from archetype，选择org.scala-tools.archetypes:scala-archetype-simple：

 　　点击Next后，可根据需求自行填写GroupId，ArtifactId和Version：

 　　点击Next后，如果本机没有安装maven会报错，请保证之前已经安装maven：

　　点击Next后，输入文件名，完成New Project的最后一步：

　　点击Finish后，maven会自动生成pom.xml和下载依赖包。我们需要修改pom.xml中scala的版本：

<properties>
  <scala.version>2.10.4</scala.version>
</properties>

　　在<dependencies></dependencies>之间添加配置：

<!-- Spark -->
<dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-core_2.10</artifactId>
  <version>1.1.0</version>
</dependency>

<!-- HDFS -->
<dependency>
  <groupId>org.apache.hadoop</groupId>
  <artifactId>hadoop-client</artifactId>
  <version>2.4.0</version>
</dependency>

　　在<build><plugins></plugins></build>之间添加配置：

<plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-shade-plugin</artifactId>
            <version>2.2</version>
            <executions>
                <execution>
                    <phase>package</phase>
                    <goals>
                        <goal>shade</goal>
                    </goals>
                    <configuration>
                        <filters>
                            <filter>
                                <artifact>*:*</artifact>
                                <excludes>
                                    <exclude>META-INF/*SF</exclude>
                                    <exclude>META-INF/*.DSA</exclude>
                                    <exclude>META-INF/*.RSA</exclude>
                                </excludes>
                            </filter>
                        </filters>
                        <transformers>
                            <transformer
                                    implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                <mainClass>mark.lin.App</mainClass> // 记得修改成你的mainClass 
                            </transformer>
                            <transformer
                                    implementation="org.apache.maven.plugins.shade.resource.AppendingTransformer">
                                <resource>reference.conf</resource>
                            </transformer>
                        </transformers>
                        <shadedArtifactAttached>true</shadedArtifactAttached>
                        <shadedClassifierName>executable</shadedClassifierName>
                    </configuration>
                </execution>
            </executions>
        </plugin>

　　Spark的开发环境至此搭建完成。One more thing，wordcount的示例代码：

package mark.lin //别忘了修改package

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.SparkContext._

import scala.collection.mutable.ListBuffer

/**
 * Hello world!
 *
 */
object App{
  def main(args: Array[String]) {
    if (args.length != 1) {
      println("Usage: java -jar code.jar dependencies.jar")
      System.exit(0)
    }
    val jars = ListBuffer[String]()
    args(0).split(",").map(jars += _)

    val conf = new SparkConf()
    conf.setMaster("spark://localhost:7077").setAppName("wordcount").set("spark.executor.memory", "128m").setJars(jars)

    val sc = new SparkContext(conf)

    val file = sc.textFile("hdfs://localhost:9000/hduser/wordcount/input/input.csv")
    val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
    println(count)
    count.saveAsTextFile("hdfs://localhost:9000/hduser/wordcount/output/")
    sc.stop()
  }
}

7. 编译&运行

　　使用maven编译源代码。点击左下角，点击右侧package，点击绿色三角形，开始编译。

 　　在target目录下，可以看到maven生成的jar包。其中，hellworld-1.0-SNAPSHOT-executable.jar是我们需要放到Spark集群上运行的。

 

　　在运行jar包之前，保证hadoop和Spark处于运行状态：

　　将jar包拷贝到Ubuntu的本地文件系统上，输入以下命令运行jar包：

java -jar helloworld-1.0-SNAPSHOT-executable.jar helloworld-1.0-SNAPSHOT-executable.jar

　　在浏览器中输入地址http://localhost:8080/可以查看任务运行情况：

8. Q&A

Q：在Spark集群上运行jar包，抛出异常“No FileSystem for scheme: hdfs”：

A：这是由于hadoop-common-2.4.0.jar中的core-default.xml缺少hfds的相关配置属性引起的异常。在maven仓库目录下找到hadoop-common-2.4.0.jar，以rar的打开方式打开：

　　将core-default.xml拖出，并添加配置：

<property>
  <name>fs.hdfs.impl</name>
  <value>org.apache.hadoop.hdfs.DistributedFileSystem</value>
  <description>The FileSystem for hdfs: uris.</description>
</property>

　　再将修改后的core-default.xml替换hadoop-common-2.4.0.jar中的core-default.xml，重新编译生成jar包。

Q：在Spark集群上运行jar包，抛出异常“Failed on local exception”：

A：检查你的代码，一般是由于hdfs路径错误引起。

Q:在Spark集群上运行jar包，重复提示“Connecting to master spark”：

A:检查你的代码，一般是由于setMaster路径错误引起。

Q：在Spark集群上运行jar包，重复提示“Initial job has not accepted any resource; check your cluster UI to ensure that workers are registered and have sufficient memory”：

A：检查你的代码，一般是由于内存设置不合理引起。此外，还需要检查Spark安装目录下的conf/spark-env.sh对worker内存的设置。

Q：maven报错：error: org.specs.Specification does not have a constructor

A: 删除test目录下的文件，重新编译。

9. 参考资料

 [1] Spark Documentation from Apache. [Link]