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：
1 sudo cp jdk-7u67-linux-x64.gz /usr/lib
2 cd /usr/lib
3 sudo tar -xvzf jdk-7u67-linux-x64.gz
4 sudo gedit /etc/profile
在/etc/profile文件的末尾添加环境变量：
1 export JAVA_HOME=/usr/lib/jdk1.7.0_67
2 export JRE_HOME=/usr/lib/jdk1.7.0_67/jre
3 export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
4 export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
保存并更新/etc/profile：
1 source /etc/profile
测试jdk是否安装成功：
1 java -version
2. 安装及配置SSH
1 sudo apt-get update
2 sudo apt-get install openssh-server
3 sudo /etc/init.d/ssh start
生成并添加密钥：
1 ssh-keygen -t rsa -P ""
2 cd /home/hduser/.ssh
3 cat id_rsa.pub >> authorized_keys
ssh登录：
1 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：
1 sudo cp hadoop-2.4.0.tar.gz /usr/local/
2 sudo tar -xzvf hadoop-2.4.0.tar.gz
在/etc/profile文件的末尾添加环境变量：
1 export HADOOP_HOME=/usr/local/hadoop-2.4.0
2 export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
3
4 export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
5 export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"
保存并更新/etc/profile：
1 source /etc/profile
在位于/usr/local/hadoop-2.4.0/etc/hadoop的hadoop-env.sh和yarn-env.sh文件中修改jdk路径：
1 cd /usr/local/hadoop-2.4.0/etc/hadoop
2 sudo gedit hadoop-env.sh
3 sudo gedit yarn-evn.sh
hadoop-env.sh：
yarn-env.sh：
修改core-site.xml：
1 sudo gedit core-site.xml
在之间添加：
1
2 fs.default.name
3 hdfs://localhost:9000
4
5
6
7 hadoop.tmp.dir
8 /app/hadoop/tmp
9
修改hdfs-site.xml：
1 sudo gedit hdfs-site.xml
在之间添加：
1
2 dfs.namenode.name.dir
3 /app/hadoop/dfs/nn
4
5
6
7 dfs.namenode.data.dir
8 /app/hadoop/dfs/dn
9
10
11
12 dfs.replication
13 1
14
修改yarn-site.xml：
1 sudo gedit yarn-site.xml
在之间添加：
1
2 mapreduce.framework.name
3 yarn
4
5
6
7 yarn.nodemanager.aux-services
8 mapreduce_shuffle
9
复制并重命名mapred-site.xml.template为mapred-site.xml：
1 sudo cp mapred-site.xml.template mapred-site.xml
2 sudo gedit mapred-site.xml
在之间添加：
1
2 mapreduce.jobtracker.address
3 hdfs://localhost:9001
4
在启动hadoop之前，为防止可能出现无法写入log的问题，记得为/app目录设置权限：
1 sudo mkdir /app
2 sudo chmod -R hduser:hduser /app
格式化hadoop：
1 hadoop namenode -format
启动hdfs和yarn。在开发Spark时，仅需要启动hdfs：
1 sbin/start-dfs.sh
2 sbin/start-yarn.sh
在浏览器中打开地址http://localhost:50070/可以查看hdfs状态信息：
4. 安装scala
1 sudo cp /home/hduser/Download/scala-2.9.3.tgz /usr/local
2 sudo tar -xvzf scala-2.9.3.tgz
在/etc/profile文件的末尾添加环境变量：
1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export PATH=$SCALA_HOME/bin:$PATH
保存并更新/etc/profile：
1 source /etc/profile
测试scala是否安装成功：
1 scala -version
5. 安装Spark
1 sudo cp spark-1.1.0-bin-hadoop2.4.tgz /usr/local
2 sudo tar -xvzf spark-1.1.0-bin-hadoop2.4.tgz
在/etc/profile文件的末尾添加环境变量：
1 export SPARK_HOME=/usr/local/spark-1.1.0-bin-hadoop2.4
2 export PATH=$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：
1 sudo cp spark-env.sh.template spark-env.sh
2 sudo gedit spark-env.sh
在spark-env.sh中添加：
1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export JAVA_HOME=/usr/lib/jdk1.7.0_67
3 export SPARK_MASTER_IP=localhost
4 export SPARK_WORKER_MEMORY=1000m
启动Spark：
1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 sbin/start-all.sh
测试Spark是否安装成功：
1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 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：
1
2 2.10.4
3
在之间添加配置：
1
2
3 org.apache.spark
4 spark-core_2.10
5 1.1.0
6
7
8
9
10 org.apache.hadoop
11 hadoop-client
12 2.4.0
13
在之间添加配置：
1
2 org.apache.maven.plugins
3 maven-shade-plugin
4 2.2
5
6
7 package
8
9 shade
10
11
12
13
14 *:*
15
16 META-INF/*SF
17 META-INF/*.DSA
18 META-INF/*.RSA
19
20
21
22
23
25 mark.lin.App // 记得修改成你的mainClass
26
27
29 reference.conf
30
31
32 true
33 executable
34
35
36
37
Spark的开发环境至此搭建完成。One more thing，wordcount的示例代码：
1 package mark.lin //别忘了修改package
2
3 import org.apache.spark.{SparkConf, SparkContext}
4 import org.apache.spark.SparkContext._
5
6 import scala.collection.mutable.ListBuffer
7
8 /**
9* Hello world!
10*
11*/
12 object App{
13 def main(args: Array) {
14 if (args.length != 1) {
15 println("Usage: java -jar code.jar dependencies.jar")
16 System.exit(0)
17 }
18 val jars = ListBuffer()
19 args(0).split(",").map(jars += _)
20
21 val conf = new SparkConf()
22 conf.setMaster("spark://localhost:7077").setAppName("wordcount").set("spark.executor.memory", "128m").setJars(jars)
23
24 val sc = new SparkContext(conf)
25
26 val file = sc.textFile("hdfs://localhost:9000/hduser/wordcount/input/input.csv")
27 val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
28 println(count)
29 count.saveAsTextFile("hdfs://localhost:9000/hduser/wordcount/output/")
30 sc.stop()
31 }
32 }
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：
1 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：
1
2 fs.hdfs.impl
3 org.apache.hadoop.hdfs.DistributedFileSystem
4 The FileSystem for hdfs: uris.
5
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
Spark Documentation from Apache.
页:
[1]