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

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]

--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
--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
--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), (,6), (,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）：

--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
--class 应用程序调用的类名，这里为org.apache.spark.examples.SparkPi
--executor-memory 每个executor所分配的内存大小，这里为512M
执行jar包 这里是../lib/spark-examples-1.1.0-hadoop2.2.0.jar
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）：

--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
--class 应用程序调用的类名，这里为org.apache.spark.examples.SparkPi
--executor-memory 每个executor所分配的内存大小，这里为512M
--total-executor-cores 2 每个executor分配的内核数
执行jar包 这里是../lib/spark-examples-1.1.0-hadoop2.2.0.jar
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。