spark集群安装与配置

Spark有三种运行模式，分别为：

local模式-只运行在本地，相当于伪分布式

standalone模式-这种模式只需要安装Spark即可，使用自带的资源管理器

Spark on yarn/mesos模式-这种模式Spark将使用yarn/mesos作为资源管理器

一般来说，standalone适合只想体验一把Spark集群的人，如果想将Spark应用于生产环境，还需要借助第三方的资源调度模块来优化Spark的资源管理。

Spark以哪一种模式运行可以在执行spark-shell或者spark-submit命令时通过指定 --master参数来设置，如果不设置默认以local方式单机运行。

本次记录的是Spark 的安装与配置，使用的是基本的配置选项，如果想了解Spark的更多配置选项来优化Spark集群的性能可以参阅官方文档或者关注后续文章。

由于我想在Spark安装完成后运行在yarn之上，所以在配置过程中添加了一些hadoop的配置，如果想使用Spark on yarn需要安装Hadoop2.0以及以上版本。本例是在Hadoop2.4.0平台搭建，当然，如果仅是做学习体验用只使用local或standalone模式可以不用安装Hadoop。

关于Hadoop集群的安装部署，请参考：http://blog.csdn.net/u013468917/article/details/50965530

本次在上述双节点Hadoop集群的基础上安装Spark。两个节点分别为：
master 192.168.1.131
slave1 192.168.1.125

一、安装Scala

Spark是由Scala语言编写的，所以要想在机器上运行Spark就必须先安装Scala。下载地址： http://www.scala-lang.org/download/
用户需要根据所要安装的Spark版本选择对应的Scala版本。这点在Spark官网上会有说明。这次安装的是Spark1.6.1版本，下载的Scala版本为2.10.4
下载完成后将Scala-2.10.4.tgz上传至linux主机中
解压：

tar -zxvf Scala-2.10.4.tgz -C /cloud/

配置环境变量：
在/etc/profile文件中添加：

export SCALA_HOME=/cloud/scala-2.10.4
export PATH=${SCALA_HOME}/bin:$PATH

保存退出，记得 source /etc/profile

二、安装Spark

进入官网下载Spark程序包，下载地址： http://spark.apache.org/downloads.html
本次示例以Spark1.6.1版本为例：
下载spark-1.6.1-bin-hadoop2.tgz
解压：

tar-zxvf spark-1.6.1-bin-hadoop2.tgz -C /cloud

接下来修改Spark的配置文件，这里对Spark进行简单配置，其他更详细的配置可以参考： http://spark.apache.org/docs/1.6.1/configuration.html
1、修改conf/spark-env.sh,在文件中添加以下参数：

export SCALA_HOME=/cloud/scala-2.10.4
export JAVA_HOME=/cloud/jdk1.7.0_80
export SPARK_WORKER_MEMORY=6g
export SPARK_MASTER_IP=192.168.1.131
export MASTER=spark://192.168.1.131:7077

说明：
参数SPARK_WORKER_MEMORY用于指定在worker可用最大内存。这里分配了6GB，读者可以根据自己机器的配置自行分配，但是要为操作系统和其它服务预留足内存。
参数SPARK_MASTER_IP和MASTER根据自己主机的ip修改即可。
2、修改conf/slaves文件：
本次示例集群有两个节点，一个master节点和一个slave1节点。所以在slaves文件中只需要添加：

slave1

说明：
slave1为节点名，也可以填worker节点的ip地址。


接下来同步至slave节点：
首先，同步scala。

scp -r /cloud/scala-2.10.4username@master:/cloud

然后是spark：

scp -r /cloud/spark-1.6.1-bin-hadoop2/ username@master:/cloud/

最后修改slave1上的 /etc/profile 文件和master节点一致。记得source /etc/profile。
如果有多个从节点，这样同步会很麻烦，可以参考： http://blog.csdn.net/u013468917/article/details/50977666用pssh批量操作。

三、启动Spark

如果需要使用Spark on yarn，需要在启动spark之前确保hadoop已经启动。
spark启动命令在Spark根目录下的sbin目录下。

cd /cloud/spark-1.6.1-bin-hadoop2/sbin
./start-all.sh

正常情况下，master节点会出现master进程，可以用jps查看：
#jps
23526 Jps
2112 Master
7235 NameNode
7598 SecondaryNameNode
7569 ResourceManager
worker节点会有worker进程：
#jps
23489 Jps
1258 Worker
1364 DataNode
24587 NodeManager


四、关闭Spark
在Master节点：

/cloud/spark-1.6.1-bin-hadoop2/sbin/stop-all.sh

问题记录：
初次安装hadoop时参考网上文章，没有提到要配置HADOOP_CONF_DIR或者YARN_CONF_DIR变量。如果没有配置这两个变量，hadoop可以正常运行，hadoop上的hive也可以运行。但是spark会报错。所以需要确认添加了HADOOP_CONF_DIR或者YARN_CONF_DIR环境变量。配置示例：$HADOOP_HOME/etc/hadoop