Spark入门实战系列--2.Spark编译与部署（下）--Spark编译安装

【注】该系列文章以及使用到安装包/测试数据 可以在《 倾情大奉送--Spark入门实战系列 》获取

1 、 编译 Spark

Spark 可以通过 SBT 和 Maven 两种方式进行编译，再通过 make-distribution.sh 脚本生成部署包。 SBT 编译需要安装 git 工具，而 Maven 安装则需要 maven 工具，两种方式均需要在联网下进行，通过比较发现 SBT 编译速度较慢（原因有可能是 1 、时间不一样， SBT 是白天编译， Maven 是深夜进行的，获取依赖包速度不同 2 、 maven 下载大文件是多线程进行，而 SBT 是单进程）， Maven 编译成功前后花了 3 、 4 个小时。

1.1   编译 Spark （ SBT ）

1.1.1  安装 git 并编译安装

1.    从如下地址下载 git 安装包

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

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

如果 linux 是 CentOS 操作系统可以通过： yum install git 直接进行安装

由于从 https 获取内容，需要安装 curl-devel ，可以从如下地址获取

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

如果 linux 是 CentOS 操作系统可以通过： yum install curl-devel 直接进行安装

2.   上传 git 并解压缩

把 git-1.7.6.tar.gz 安装包上传到 /home/hadoop/upload 目录中，解压缩然后放到 /app 目录下

$cd /home/hadoop/upload/

$tar -xzf git-1.7.6.tar.gz

$mv git-1.7.6 /app

$ll /app

3.   编译安装 git

以 root 用户进行在 git 所在路径编译安装 git

#yum install curl-devel

#cd /app/git-1.7.6

#./configure

#make

#make install

4.   把 git 加入到 PATH 路径中

打开 /etc/profile 把 git 所在路径加入到 PATH 参数中

export GIT_HOME=/app/git-1.7.6

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

重新登录或者使用 source /etc/profile 使参数生效，然后使用 git 命令查看配置是否正确

1.1.2  下载 Spark 源代码并上传

1.   可以从如下地址下载到 spark 源代码：

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

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

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

把下载好的 spark-1.1.0.tgz 源代码包使用 1.1.3.1 介绍的工具上传到 /home/hadoop/upload 目录下

2.   在主节点上解压缩

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0.tgz

3.   把 spark-1.1.0 改名并移动到 /app/complied 目录下

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

$ls /app/complied

1.1.3  编译代码

编译 spark 源代码的时候，需要从网上下载依赖包，所以整个编译过程机器必须保证在联网状态。编译执行如下脚本：

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

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

整个编译过程编译了约十几个任务，重新编译 N 次，需要几个甚至十几个小时才能编译完成（主要看下载依赖包的速度）。

1.2   编译 Spark （ Maven ）

1.2.1  安装 Maven 并配置参数

在编译前最好安装 3.0 以上版本的 Maven ，在 /etc/profile 配置文件中加入如下设置：

export MAVEN_HOME=/app/apache-maven-3.0.5

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

1.2.2  下载 Spark 源代码并上传

1.   可以从如下地址下载到 spark 源代码：

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

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

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

把下载好的 spark-1.1.0.tgz 源代码包使用 1.1.3.1 介绍的工具上传到 /home/hadoop/upload 目录下

2.   在主节点上解压缩

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0.tgz

3.   把 spark-1.1.0 改名并移动到 /app/complied 目录下

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

$ls /app/complied

1.2.3  编译代码

编译 spark 源代码的时候，需要从网上下载依赖包，所以整个编译过程机器必须保证在联网状态。编译执行如下脚本：

$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

整个编译过程编译了约 24 个任务，整个过程耗时 1 小时 45 分钟。

1.3   生成 Spark 部署包

在 Spark 源码根目录下有一个生成部署包的脚本 make-distribution.sh ，可以通过执行如下命令进行打包 ./make-distribution.sh [--name] [--tgz] [--with-tachyon] <maven build options>

l   --name NAME 和 --tgz 结合可以生成 spark-$VERSION-bin-$NAME.tgz 的部署包，不加此参数时 NAME 为 hadoop 的版本号

l   --tgz 在根目录下生成 spark-$VERSION-bin.tgz ，不加此参数时不生成 tgz 文件，只生成 /dist 目录

l   --with-tachyon   是否支持内存文件系统 Tachyon ，不加此参数时不支持 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，由于该脚本默认在 JDK1.6 进行，在开始时会进行询问是否继续，只要选择 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 部署包编译了约 24 个任务，用时大概 1 小时 38 分钟。

1.3.2  查看生成结果

生成在部署包位于根目录下，文件名类似于 spark-1.1.0-bin-2.2.0.tgz 。

2 、 安装 Spark

2.1   上传并解压 Spark 安装包

1. 我们使用上一步骤编译好的 spark-1.1.0-bin-2.2.0.tgz 文件作为安装包（也可以从网上下载 native 文件夹或者打包好的 64 位 hadoop 安装包），使用 " Spark 编译与部署（上） " 中 1. 3.1 介绍的工具上传到 /home/hadoop/upload 目录下

2.   在主节点上解压缩

$cd /home/hadoop/upload/

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

3.   把 spark 改名并移动到 /app/hadoop 目录下

$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.   打开配置文件 /etc/profile

$sudo vi /etc/profile

2.      定义 SPARK_HOME 并把 spark 路径加入到 PATH 参数中

SPARK_HOME=/app/hadoop/spark-1.1.0

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

2.3   配置 conf/slaves

1.   打开配置文件 conf/slaves

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

$sudo vi slaves

2.   加入 slave 配置节点

hadoop1

hadoop2

hadoop3

2.4   配置 conf/spark-env.sh

1.   打开配置文件 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 环境配置内容，设置 hadoop1 为 Master 节点

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   向各节点分发 Spark 程序

1.   进入 hadoop1 机器 /app/hadoop 目录，使用如下命令把 spark 文件夹复制到 hadoop2 和 hadoop3 机器

$cd /app/hadoop

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

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

2.   在从节点查看是否复制成功

2.6   启动 Spark

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

$./start-all.sh

2.7   验证启动

此时在 hadoop1 上面运行的进程有： Worker 和 Master

此时在 hadoop2 和 hadoop3 上面运行的进程有只有 Worker

通过 netstat -nlt 命令查看 hadoop1 节点网络情况

在浏览器中输入 http://hadoop1:8080 （需要注意的是要在网络设置中把 hadoop* 除外，否则会到外网 DNS 解析，出现无法访问的情况） 既可以进入 Spark 集群状态页面

2.8   验证客户端连接

进入 hadoop1 节点，进入 spark 的 bin 目录，使用 spark-shell 连接集群

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

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

在命令中只指定了内存大小并没有指定核数，所以该客户端将占用该集群所有核并在每个节点分配 500M 内存

3 、 Spark 测试

3.1   使用 Spark-shell 测试

这里我们测试一下在 Hadoop 中大家都知道的 WordCout 程序，在 MapReduce 实现 WordCout 需要 Map 、 Reduce 和 Job 三个部分，而在 Spark 中甚至一行就能够搞定。下面就看一下是如何实现的：

3.1.1  启动 HDFS

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

$./start-dfs.sh

通过 jps 观察启动情况，在 hadoop1 上面运行的进程有： NameNode 、 SecondaryNameNode 和 DataNode

hadoop2 和 hadoop3 上面运行的进程有： NameNode 和 DataNode

3.1.2  上传数据到 HDFS 中

把 hadoop 配置文件 core-site.xml 文件作为测试文件上传到 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  启动 Spark

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

$./start-all.sh

3.1.4  启动 Spark-shell

在 spark 客户端（这里在 hadoop1 节点 ) ，使用 spark-shell 连接集群

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

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

3.1.5  运行 WordCount 脚本

下面就是 WordCount 的执行脚本，该脚本是 scala 编写，以下为一行实现：

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)

为了更好看到实现过程，下面将逐行进行实现：

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)

词频统计结果如下：

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  观察运行情况

通过 http://hadoop1:8080 查看 Spark 运行情况，可以看到 Spark 为 3 个节点，每个节点各为 1 个内核 /512M 内存，客户端分配 3 个核，每个核有 512M 内存。

通过点击客户端运行任务 ID ，可以看到该任务在 hadoop2 和 hadoop3 节点上运行，在 hadoop1 上并没有运行，主要是由于 hadoop1 为 NameNode 和 Spark 客户端造成内存占用过大造成

3.2   使用 Spark-submit 测试

从 Spark1.0.0 开始， Spark 提供了一个易用的应用程序部署工具 bin/spark-submit ，可以完成 Spark 应用程序在 local 、 Standalone 、 YARN 、 Mesos 上的快捷部署。该工具语法及参数说明如下：

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 运行之处， client 运行在本机， cluster 运行在集群

  --class CLASS_NAME             应用程序包的要运行的 class

  --name NAME                   应用程序名称

  --jars JARS                      用逗号隔开的 driver 本地 jar 包列表以及 executor 类路径

  --py-files PY_FILES               用逗号隔开的放置在 Python 应用程序

PYTHONPATH 上的 .zip, .egg, .py 文件列表

  --files FILES                     用逗号隔开的要放置在每个 executor 工作目录的文件列表

  --properties-file FILE            设置应用程序属性的文件放置位置，默认是 conf/spark-defaults.conf

  --driver-memory MEM          driver 内存大小，默认 512M

  --driver-java-options            driver 的 java 选项

  --driver-library-path             driver 的库路径 Extra library path entries to pass to the driver

  --driver-class-path              driver 的类路径，用 --jars 添加的 jar 包会自动包含在类路径里

  --executor-memory MEM        executor 内存大小，默认 1G

Spark standalone with cluster deploy mode only:

  --driver-cores NUM            driver 使用内核数，默认为 1

  --supervise                    如果设置了该参数， driver 失败是会重启

Spark standalone and Mesos only:

  --total-executor-cores NUM     executor 使用的总核数

YARN-only:

  --executor-cores NUM          每个 executor 使用的内核数，默认为 1

  --queue QUEUE_NAME         提交应用程序给哪个 YARN 的队列，默认是 default 队列

  --num-executors NUM         启动的 executor 数量，默认是 2 个

  --archives ARCHIVES           被每个 executor 提取到工作目录的档案列表，用逗号隔开

3.2.1  运行脚本 1

该脚本为 Spark 自带例子，在该例子中个计算了圆周率π的值，以下为执行脚本：

$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

参数说明（详细可以参考上面的参数说明）：

l   --master Master 所在地址，可以有 Mesos 、 Spark 、 YARN 和 Local 四种，在这里为 Spark Standalone 集群，地址为 spark://hadoop1:7077

l   --class 应用程序调用的类名，这里为 org.apache.spark.examples.SparkPi

l   --executor-memory 每个 executor 所分配的内存大小，这里为 512M

l   执行 jar 包 这里是 ../lib/spark-examples-1.1.0-hadoop2.2.0.jar

l   分片数目 这里数目为 200

3.2.2  观察运行情况

通过观察 Spark 集群有 3 个 Worker 节点和正在运行的 1 个应用程序，每个 Worker 节点为 1 内核 /512M 内存。由于没有指定应用程序所占内核数目，则该应用程序占用该集群所有 3 个内核，并且每个节点分配 512M 内存。

根据每个节点负载情况，每个节点运行 executor 并不相同，其中 hadoop1 的 executor 数目为 0 。而 hadoop3 执行 executor 数为 10 个，其中 5 个 EXITED 状态， 5 个 KILLED 状态。

3.2.3  运行脚本 2

该脚本为 Spark 自带例子，在该例子中个计算了圆周率π的值，区别脚本 1 这里指定了每个 executor 内核数据，以下为执行脚本：

$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

参数说明（详细可以参考上面的参数说明）：

l   --master Master 所在地址，可以有 Mesos 、 Spark 、 YARN 和 Local 四种，在这里为 Spark Standalone 集群，地址为 spark://hadoop1:7077

l   --class 应用程序调用的类名，这里为 org.apache.spark.examples.SparkPi

l   --executor-memory 每个 executor 所分配的内存大小，这里为 512M

l   --total-executor-cores 2 每个 executor 分配的内核数

l   执行 jar 包 这里是 ../lib/spark-examples-1.1.0-hadoop2.2.0.jar

l   分片数目 这里数目为 200

3.2.4  观察运行情况

通过观察 Spark 集群有 3 个 Worker 节点和正在运行的 1 个应用程序，每个 Worker 节点为 1 内核 /512M 内存。由于指定应用程序所占内核数目为 2 ，则该应用程序使用该集群所有 2 个内核。