spark 集群搭建 详细步骤

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star，留言，一起学习进步

最近好不容易搞到了三台测试机，可以用来搭建spark集群搞模型。本宝宝开心得不行，赶紧行动，把spark集群搭起来，模型跑起来。

1.搭建hadoop集群

hadoop的hdfs文件系统是整个生态圈的基础，因为数据量大了以后，数据一般就都放hdfs上头了。因为四台测试机之前已经搭建好了hadoop集群环境，而且经过本宝宝测试，hadoop集群也是可用的，所以就省了搭hadoop集群的功夫。

2.配置集群host

四台机器的hostname如下：
namenodetest01.hadoop.xxx.com 192.168.9.247
datanodetest01.hadoop.xxx.com 192.168.9.248
datanodetest02.hadoop.xxx.com 192.168.9.249
datanodetest03.hadoop.xxx.com 192.168.9.228

请确认在四台机器的/etc/hosts里都添加上相应节点的信息。

3.配置集群免密登录

因为之前搭好了hadoop环境，最开始我以为这几个节点的免密登录时配置好的，所以事先没有配置。后来等把spark布好启动以后，才发现提示让我输密码，很明显就是事先没配置好免密登录。
配置的方式也很简单，因为我打算让namenodetest01机器做master，cd到home目录下的.ssh，然后执行：

ssh-keygen -t rsa

此时会在.ssh目录下生成id_rsa跟id_rsa.pub，分别对应的为私钥与公钥。

接下来，将namenodetest01的公钥scp到另外三台机器上：

scp id_rsa.pub root@datanodetest01:~/.ssh
scp id_rsa.pub root@datanodetest02:~/.ssh
scp id_rsa.pub root@datanodetest03:~/.ssh

再分别登到01，02，03两台机器，将刚传过来的公钥添加到authorized_keys中：

[root@datanodetest02 .ssh]# pwd
/root/.ssh
cat id_rsa.pub >> authorized_keys

至此，master免密登录另外两个节点配置完毕。

4.安装jdk，确保jdk版本1.7以上

因为之前搭建好了hadoop环境，所以jdk已经配置好。
需要注意的是：spark需要jdk1.7及以上。有一个节点的spark配置好以后，最开始spark-shell无法启动，但是其他两个节点的spark-shell正常启动没有问题。后来发现无法启动那个节点的jdk被人配置为1.6。。。后来修改jdk为1.7以后即可正常启动 spark-shell。

5.安装scala

因为spark是scala开发，所以scala是需要配置的。去scala官网下载相应的scala包，比如我下载的是scala-2.11.8.tar，tar -zxvf 解压以后，生成scala-2.11.8目录。查看一下里面的结构

[root@datanodetest02 soft]# tree -L 1 scala-2.11.8
scala-2.11.8
├── bin
├── doc
├── lib
└── man

4 directories, 0 files

然后在/etc/profile里配置scala的环境变量：

export SCALA_HOME=/data/wanglei/soft/scala-2.11.8
export PATH=$SCALA_HOME/bin:$PATH

保存退出，source一下配置文件让其立刻生效。然后再运行scala：

[root@datanodetest02 soft]# scala
Welcome to Scala 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.7.0_51).
Type in expressions for evaluation. Or try :help.

scala>

可见在02这个机器上scala已经成功配置好。其余两台机器也按照此过程安装配置即可。

6.开始布spark

因为我们打算用namenodetest01机器做master，所以先在namenode机器上配置spark。
先下载spark的gz包，我下载的是spark-1.6.0-bin-hadoop2.4.tgz，然后tar -zxvf解压。
看看里头有些什么

[root@namenodetest01 soft]# tree -L 1 spark-1.6.0-bin-hadoop2.4
spark-1.6.0-bin-hadoop2.4
├── bin
├── CHANGES.txt
├── conf
├── data
├── ec2
├── examples
├── lib
├── LICENSE
├── licenses
├── logs
├── NOTICE
├── python
├── R
├── README.md
├── RELEASE
├── sbin
└── work

然后cd到bin目录里，执行spark-shell脚本。如果能正常启动，说明在本机上没问题。如果不能正常启动，那就需要再排查其他原因。比如我前面提到的jdk版本问题。

7.对master进行相应的配置

cd到spark目录里的conf文件夹下。首先将spark-env.sh.template文件mv为spark-env.sh。然后添加配置项：

export JAVA_HOME=/usr/java/default/
export SCALA_HOME=/data/wanglei/soft/scala-2.11.8
export HADOOP_HOME=/usr/lib/hadoop

export STANDALONE_SPARK_MASTER_HOST=namenodetest01
export SPARK_MASTER_IP=$STANDALONE_SPARK_MASTER_HOST

### Let's run everything with JVM runtime, instead of Scala
export SPARK_LAUNCH_WITH_SCALA=0
export SPARK_LIBRARY_PATH=${SPARK_HOME}/lib
export SCALA_LIBRARY_PATH=${SPARK_HOME}/lib
export SPARK_MASTER_WEBUI_PORT=18080
#export SPARK_MASTER_PORT=7077
#export SPARK_WORKER_PORT=7078
#export SPARK_WORKER_WEBUI_PORT=18081
#export SPARK_WORKER_DIR=/var/run/spark/work
#export SPARK_LOG_DIR=/var/log/spark
#export SPARK_PID_DIR='/var/run/spark/'

if [ -n "$HADOOP_HOME" ]; then
  export SPARK_LIBRARY_PATH=$SPARK_LIBRARY_PATH:${HADOOP_HOME}/lib/native
fi

export HADOOP_CONF_DIR=${HADOOP_CONF_DIR:-/etc/hadoop/conf}

需要注意的是SPARK_MASTER_WEBUI_PORT默认的端口是8080，实际中8080端口是最为常用的端口，很可能被其他应用所占用。所以我们将其改为18080。经过测试发现，即使8080端口被其他应用程序占用，我们将其配为8080端口后，spark-shell能够正常启用，但是看到的页面是其他应用程序的界面。

然后将slaves.template文件cp一份为slaves，在slaves里添加如下配置：

datanodetest01
datanodetest02
datanodetest03

很明显，这个就是我们的三个worker节点。

8.分发到其他三个节点

master配置完成以后，将spark的整个包内容scp到另外三个节点上，不需要修改任何配置项。
注意：因为按集群模式启动时，会按master上的路径去找spark。所以其他节点spark的路径需要跟master保持一致。
分发完成以后，去分别取另外三个节点执行spark-shell，看看能不能正常启动，以便提早发现问题。

9.启动spark集群

在master上，cd到spark里的sbin目录，执行start-all.sh脚本：

start-all.sh

然后看到shell输出如下：

starting org.apache.spark.deploy.master.Master, logging to /data/wanglei/soft/spark-1.6.0-bin-hadoop2.4/logs/spark-root-org.apache.spark.deploy.master.Master-1-datanodetest01.hadoop.xxx.com.out
datanodetest01: starting org.apache.spark.deploy.worker.Worker, logging to /data/wanglei/soft/spark-1.6.0-bin-hadoop2.4/logs/spark-root-org.apache.spark.deploy.worker.Worker-1-datanodetest01.hadoop.xxx.com.out
datanodetest02: starting org.apache.spark.deploy.worker.Worker, logging to /data/wanglei/soft/spark-1.6.0-bin-hadoop2.4/logs/spark-root-org.apache.spark.deploy.worker.Worker-1-datanodetest02.hadoop.xxx.com.out
datanodetest03: starting org.apache.spark.deploy.worker.Worker, logging to /data/wanglei/soft/spark-1.6.0-bin-hadoop2.4/logs/spark-root-org.apache.spark.deploy.worker.Worker-1-datanodetest03.hadoop.xxx.com.out

很明显可以看出，集群显示启动了master，然后在启动了三个worker。

10.查看集群状态

spark集群的默认web管理页面端口为8080，url为http://master:8080
由于我们之前配置了18080端口，将上面的端口地址改为18080即可。
查看一下页面：

可以看出，集群有三个worker，而且现在都是处于正常工作状态。

11.运行第一个spark代码

在 ./examples/src/main 目录下有一些 Spark 的示例程序，有 Scala、Java、Python、R 等语言的版本。我们可以先运行一个示例程序 SparkPi（即计算 π 的近似值），执行如下命令：

./run-example SparkPi

然后会输出很多运行内容

[root@datanodetest02 bin]# ./run-example SparkPi
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
16/07/20 14:16:34 INFO SparkContext: Running Spark version 1.6.0
16/07/20 14:16:34 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
16/07/20 14:16:35 INFO SecurityManager: Changing view acls to: root
16/07/20 14:16:35 INFO SecurityManager: Changing modify acls to: root
16/07/20 14:16:35 INFO SecurityManager: SecurityManager: authentication disabled; ui acls disabled; users with view permissions: Set(root); users with modify permissions: Set(root)
16/07/20 14:16:35 INFO Utils: Successfully started service 'sparkDriver' on port 44304.
...

里面有一行输出为：

Pi is roughly 3.14374

这就把Pi的值给算出来了。

通过运行这个简单的测试代码，我们很容易就发现spark的优势：与MR相比，spark的速度快很多。MR即使最简单一个任务，从任务提交到分配资源到任务正式运行最后输出结果，都接近分钟级。大家看看spark的执行：

...
16/07/20 14:16:38 INFO Executor: Finished task 1.0 in stage 0.0 (TID 1). 1031 bytes result sent to driver
16/07/20 14:16:38 INFO Executor: Finished task 0.0 in stage 0.0 (TID 0). 1031 bytes result sent to driver
16/07/20 14:16:38 INFO TaskSetManager: Finished task 1.0 in stage 0.0 (TID 1) in 701 ms on localhost (1/2)
16/07/20 14:16:38 INFO TaskSetManager: Finished task 0.0 in stage 0.0 (TID 0) in 730 ms on localhost (2/2)
16/07/20 14:16:38 INFO TaskSchedulerImpl: Removed TaskSet 0.0, whose tasks have all completed, from pool
16/07/20 14:16:38 INFO DAGScheduler: ResultStage 0 (reduce at SparkPi.scala:36) finished in 0.744 s
16/07/20 14:16:38 INFO DAGScheduler: Job 0 finished: reduce at SparkPi.scala:36, took 1.009645 s
Pi is roughly 3.14374
...

12.关闭spark集群

如果要关闭spark集群，很简单。cd到spark目录下的sbin目录，然后执行stop-all.sh脚本即可。