spark教程(一)-集群搭建

spark 简介 

建议先阅读我的博客 大数据基础架构

spark 一个通用的计算引擎，专门为大规模数据处理而设计，与 mapreduce 类似，不同的是，mapreduce 把中间结果 写入 hdfs，而 spark 直接写入 内存，这使得它能够实现实时计算。

spark 由 scala 语言开发，他能够和 scala 完美结合，同时实现了 java、python、R 等接口。

搭建模式

spark 有 3 种搭建模式

local 模式：即单机模式，这种安装加压即可，具体安装方法穿插在 Standalone 模式

Standalone 模式：即搭建 spark 集群，但不与其他框架集成，如 yarn，此时 spark 运行在集群中

基于 yarn 的 spark 集群部署：yarn 集群 + spark 集群，此时 spark 运行在 yarn 中

local 和 standalone 模式必须启动 spark，yarn 模式无需启动 spark

具体怎么理解这 3 种模式，后面有空我会详细讲

Standalone 模式

第一步：安装环境

1. 安装java：很简单，请自行百度

2. 安装 hadoop 集群：具体参考我的博客 hadoop 集群搭建

　　// 如果 spark 读取 hdfs 就需要 hadoop，如果只玩本地，无需这步

3. 安装 scala：spark tar 包带有 scala 依赖，所以无需专门安装

4. python2.7 以上版本：如果要使用 pyspark 才需要安装，也就是说玩 python 才需要这步

第二步：下载并安装

1. 官网下载 spark

下载地址 spark

注意选择 hadoop 对应的版本

2. 解压 tar 包

上传至集群的每个节点，解压，设置环境变量

export SPARK_HOME=/usr/lib/spark
export PATH=.:$HADOOP_HOME/bin:$JAVA_HOME/bin:$SPARK_HOME/bin:$PATH

至此已经完成单机模式的 spark 安装

3. 配置 spark

进入 spark 解压目录，需要配置 conf/slaves，conf/spark-env.sh 两个文件

注意这两个文件是不存在的，需要 cp 复制一下

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

slaves

末尾去掉 localhost，加上以下内容

hadoop10
hadoop11
hadoop12
hadoop13

spark-env.sh

加上以下内容

export JAVA_HOME=/usr/lib/jvm/jre-1.8.0-openjdk.x86_64
export SPARK_MASTER_IP=hadoop1
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_MEMORY=1G

设置 spark 的主节点 和 端口；

spark_worker_memory 表示计算时使用的内存，越大越好，spark 是基于内存的计算

4. 向其他节点远程下发配置

scp -r conf/ root@hadoop11:/usr/lib/spark
scp -r conf/ root@hadoop12:/usr/lib/spark
scp -r conf/ root@hadoop13:/usr/lib/spark

5. 启动 spark

cd /usr/lib/spark/sbin、
./start-all.sh

停止就是对应的 stop

6. 验证是否启动成功

6.1 jsp 查看进程

主节点显示 master 和 worker 两个进程

从节点显示 worker 进程

Standalone 模式显示的是 master worker，yarn 显示的不是

6.2 浏览器访问 http://192.168.10.10:8080/

第三步：操作 spark 集群

这里只做简单介绍，验证 spark 是否启动，然后看看长啥样即可

客户端操作 spark 集群的命令都在 spark 的 bin 目录下

1. spark-shell 模式　　【 scala 模式】

输入命令

spark-shell

# 也可以设置参数
spark-shell --master spark://hadoop10:7077 --executor-memory 600m

[root@hadoop10 spark]# bin/spark-shell 
19/10/09 17:47:54 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop10:4040
Spark context available as 'sc' (master = local[*], app id = local-1570668484546).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _ / _ / _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_   version 2.4.4
      /_/
         
Using Scala version 2.11.12 (OpenJDK 64-Bit Server VM, Java 1.8.0_222)

注意绿色的两句，意思是 shell 中内置了 可用的 spark context 和 spark session，名字分别为 sc 和 spark

按 :quit 退出

2. pyspark 模式  【python 模式】

输入命令 pyspark 即可

[root@hadoop10 spark]# bin/pyspark 
Python 2.7.12 (default, Oct  2 2019, 19:43:15) 
[GCC 4.4.7 20120313 (Red Hat 4.4.7-4)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
19/10/02 22:08:17 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _ / _ / _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_   version 2.4.4
      /_/

Using Python version 2.7.12 (default, Oct  2 2019 19:43:15)
SparkSession available as 'spark'.
>>> 

注意这里只有 spark session，但是 spark context 也可以直接用 

如果出现 NameError: name 'memoryview' is not defined，说明 python 版本不对，2.7 及以上

如果出现未导入包什么的，请自行解决，一般是 python 没装好

基于 yarn 的 spark 部署

第一步：安装环境

1. 安装java：很简单，请自行百度

2. 安装 hadoop 集群：具体参考我的博客 hadoop 集群搭建；必须有，因为要用 yarn

3. 安装 scala：spark tar 包带有 scala 依赖，所以无需专门安装

4. python2.7 以上版本：如果要使用 pyspark 才需要安装，也就是说玩 python 才需要这步

第二步：安装 spark

spark on yarn 模式只需在 hadoop 集群的任一节点安装 spark 即可，不需要 spark 集群；

因为 spark 应用提交到 yarn 后，yarn 负责集群资源调度。

spark 安装参照 Standalone 模式，大致如下：

1. 配置环境变量

2. spark-env.sh 添加如下内容

YARN_CONF_DIR=/usr/lib/hadoop-2.6.5/etc/hadoop

这个地址是 hadoop yarn 的配置文件的地址

第三步：修改 hadoop yarn 的配置

修改 yarn-site.xml，添加如下内容

<!-- spark 部署到 yarn 上需要这两个配置 --> 
<!-- 是否启动一个线程检查每个任务正在使用的物理内存，如果超出分配值，则直接杀掉该任务，默认为 true -->
<property>
        <name>yarn.nodemanager.pmem-check-enabled</name>
        <value>false</value>
 </property>
 
<!-- 是否启动一个线程检查每个任务正在试用的虚拟内存，如果超出分配值，则直接杀掉该任务，默认为 true -->
<property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
 </property> 
<!-- spark 部署到 yarn 上需要这两个配置 --> 

分发到各节点

不配置这步可能报错，特别是分配内存较小时，如虚拟机情况下。

至此配置完毕，注意，无需启动 spark

第四步：操作 yarn 模式

spark-shell --master yarn-client    # 这种方式在 spark2.x 中被废弃，替代命令为下面这句
spark-shell --master yarn --deploy-mode client

yarn 模式 不在 spark UI 上监控，而是在 hadoop UI 上，地址为 http://192.168.10.10:8088

参考资料：

https://www.cnblogs.com/swordfall/p/7903678.html　　安装

https://www.jianshu.com/p/5626612bf10c　　　　　　 安装

https://blog.csdn.net/penyok/article/details/81483527 　　　　　  安装

https://blog.csdn.net/chengyuqiang/article/details/77864246   　　spark on yarn