【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SparkSpark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./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:///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./downloads.html http://d3kbcqa49mib13./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./downloads.html http://d3kbcqa49mib13./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Spark2.1 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/profile1. 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/slaves1. 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.sh1. 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。 |
|
来自: 土心园 > 《hadoop hbase》