ubuntu12.04集群安装Spark

原文地址：http://blog.csdn.net/yangning5850/article/details/9143151

目录(?)[-]

1. 下载Spark
2. 下载Scala
3. 安装sbt
4. 编译Spark
5. 关于Hadoop版本

Spark——Lightning-Fast Cluster Computing，这是Spark 官方logo的内容，让人很期待它的计算速度是否真的如此之快。

Spark是由UC Berkeley AMPLab开发的，一种类似Hadoop MapReduce的系统，但是在读写速度上面都有很快的速度。大家都知道Hadoop框架I/O开销是很大的，基于Hadoop的MapReduce运算很多是基于磁盘的。Spark设计的初衷，就是为那些需多次内存迭代的运算设计的，在机器学习和数据挖掘中，有很多算法需要用到这样的特性。所以，Spark支持内存环境的集群运算（不清楚它如何存放大量数据，待进一步研究），并且提供了Shark——一种完全兼容Hive的数据仓库系统，但是要比Hive快100多倍。

UC Berkeley最伟大的地方在于有很多研究成果都贡献给了开源社区，Spark同样是一个开源项目，下面就让我们试着安装一下吧。

我的测试环境是Ubuntu 12.04：

1. 下载Spark

目前最新的版本是spark-0.7.2，下载地址：http://spark-project.org/downloads/

下载后解压到主文件夹，备用。（有点做菜的感觉，呵呵～）

2. 下载Scala

Scala是一种兼顾面向对象和过程的编程语言，Spark需要有Scala的支持才能使用，对于Spark 0.7.2要求的是Scala 2.9.3（在Spark目录下的README文件中写的是2.9.2，估计是没有及时更新），下载地址：http://www.scala-lang.org/downloads

将Scala解压后，将Scala放到/usr/local/shar/目录下，设置系统环境变量PATH，增加SCALA_HOME，我是在~/.profile中设置的，在最后添加：

[plain] view plain copy

1. #set scala path  
2. export SCALA_HOME=/usr/local/share/scala-2.9.3  
3. export PATH=$PATH:$SCALA_HOME/bin  

进入在第一步解压的Spark目录，进入conf子目录，执行：

[plain] view plain copy

1. cp spark-env.sh.template spark-env.sh  

然后修改spark-env.sh内容：设置其中SCALA_HOME=/usr/local/share/scala-2.9.3

3. 安装sbt

所谓sbt，就是Simple Build Tool，是一种用于编译Scala和Java的工具，下载地址：http://www.scala-sbt.org/release/docs/Getting-Started/Setup.html

对于Ubuntu环境，需要下载DEB package，然后双击，输入管理员密码后，就可以自动安装完成。

Spark也支持Maven编译，有兴趣的朋友可以参考：http://spark-project.org/docs/latest/building-with-maven.html

4. 编译Spark

进入解压好的Spark目录下，运行：

[plain] view plain copy

1. sbt package  

初次编译的时间会比较长，在我的环境中最后显示编译时间为1069s。

在编译的过程中，可能会出现一些error，但基本都是关于twitter4j的，可能需要调用一些twitter for Jave的API，不过咱们不用管他，不影响使用。

5. 运行例子程序

在Spark目录下，examples目录中有一些用Java或Scala编写的例子，为了监测编译是否正确，咱们可以试着跑跑。

注意：在跑样例程序之前，需要修改Spark根目录下的run文件，在144行和146行中，必须将“spark-examples-”修改为“spark-examples_”。你可以自己进入examples/target/scala-2.9.3目录，看一下里面jar文件的名称就知道为什么需要这么做了。不然，在跑样例程序的时候，会出现类似下面的错误：

[plain] view plain copy

1. yn@ubuntu:~/spark-0.7.2$ ./run spark.examples.SparkPi local[2]  
2. 13/06/21 09:57:06 INFO slf4j.Slf4jEventHandler: Slf4jEventHandler started  
3. 13/06/21 09:57:06 INFO spark.SparkEnv: Registering BlockManagerMaster  
4. 13/06/21 09:57:06 INFO storage.MemoryStore: MemoryStore started with capacity 323.9 MB.  
5. 13/06/21 09:57:06 INFO storage.DiskStore: Created local directory at /tmp/spark-local-20130621095706-c588  
6. 13/06/21 09:57:06 INFO network.ConnectionManager: Bound socket to port 33533 with id = ConnectionManagerId(ubuntu,33533)  
7. 13/06/21 09:57:06 INFO storage.BlockManagerMaster: Trying to register BlockManager  
8. 13/06/21 09:57:06 INFO storage.BlockManagerMasterActor$BlockManagerInfo: Registering block manager ubuntu:33533 with 323.9 MB RAM  
9. 13/06/21 09:57:06 INFO storage.BlockManagerMaster: Registered BlockManager  
10. 13/06/21 09:57:06 INFO server.Server: jetty-7.6.8.v20121106  
11. 13/06/21 09:57:06 INFO server.AbstractConnector: Started SocketConnector@0.0.0.0:55751  
12. 13/06/21 09:57:06 INFO broadcast.HttpBroadcast: Broadcast server started at http://192.168.1.100:55751  
13. 13/06/21 09:57:06 INFO spark.SparkEnv: Registering MapOutputTracker  
14. 13/06/21 09:57:06 INFO spark.HttpFileServer: HTTP File server directory is /tmp/spark-f068aacf-fe52-4db6-bff4-a2aacead476f  
15. 13/06/21 09:57:06 INFO server.Server: jetty-7.6.8.v20121106  
16. 13/06/21 09:57:06 INFO server.AbstractConnector: Started SocketConnector@0.0.0.0:35958  
17. 13/06/21 09:57:07 INFO io.IoWorker: IoWorker thread 'spray-io-worker-0' started  
18. 13/06/21 09:57:07 INFO server.HttpServer: akka://spark/user/BlockManagerHTTPServer started on /0.0.0.0:48242  
19. 13/06/21 09:57:07 INFO storage.BlockManagerUI: Started BlockManager web UI at http://ubuntu:48242  
20. Exception in thread "main" java.lang.NullPointerException  
21.     at java.net.URI$Parser.parse(URI.java:3019)  
22.     at java.net.URI.<init>(URI.java:595)  
23.     at spark.SparkContext.addJar(SparkContext.scala:511)  
24.     at spark.SparkContext$$anonfun$2.apply(SparkContext.scala:102)  
25.     at spark.SparkContext$$anonfun$2.apply(SparkContext.scala:102)  
26.     at scala.collection.LinearSeqOptimized$class.foreach(LinearSeqOptimized.scala:59)  
27.     at scala.collection.immutable.List.foreach(List.scala:76)  
28.     at spark.SparkContext.<init>(SparkContext.scala:102)  
29.     at spark.examples.SparkPi$.main(SparkPi.scala:14)  
30.     at spark.examples.SparkPi.main(SparkPi.scala  

现在，你可以在Spark根目录下运行：

[plain] view plain copy

1. ./run spark.examples.SparkPi local[2]  

如果能够看到如下结果，基本就算编译成功了：

[plain] view plain copy

1. yn@ubuntu:~/spark-0.7.2$ ./run spark.examples.SparkPi local[2]  
2. 13/06/21 10:01:19 INFO slf4j.Slf4jEventHandler: Slf4jEventHandler started  
3. 13/06/21 10:01:19 INFO spark.SparkEnv: Registering BlockManagerMaster  
4. 13/06/21 10:01:19 INFO storage.MemoryStore: MemoryStore started with capacity 323.9 MB.  
5. 13/06/21 10:01:19 INFO storage.DiskStore: Created local directory at /tmp/spark-local-20130621100119-7b12  
6. 13/06/21 10:01:19 INFO network.ConnectionManager: Bound socket to port 60838 with id = ConnectionManagerId(ubuntu,60838)  
7. 13/06/21 10:01:19 INFO storage.BlockManagerMaster: Trying to register BlockManager  
8. 13/06/21 10:01:19 INFO storage.BlockManagerMasterActor$BlockManagerInfo: Registering block manager ubuntu:60838 with 323.9 MB RAM  
9. 13/06/21 10:01:19 INFO storage.BlockManagerMaster: Registered BlockManager  
10. 13/06/21 10:01:19 INFO server.Server: jetty-7.6.8.v20121106  
11. 13/06/21 10:01:19 INFO server.AbstractConnector: Started SocketConnector@0.0.0.0:54966  
12. 13/06/21 10:01:19 INFO broadcast.HttpBroadcast: Broadcast server started at http://192.168.1.100:54966  
13. 13/06/21 10:01:19 INFO spark.SparkEnv: Registering MapOutputTracker  
14. 13/06/21 10:01:19 INFO spark.HttpFileServer: HTTP File server directory is /tmp/spark-fae55966-53aa-4f14-9dfc-334239949905  
15. 13/06/21 10:01:19 INFO server.Server: jetty-7.6.8.v20121106  
16. 13/06/21 10:01:19 INFO server.AbstractConnector: Started SocketConnector@0.0.0.0:40454  
17. 13/06/21 10:01:19 INFO io.IoWorker: IoWorker thread 'spray-io-worker-0' started  
18. 13/06/21 10:01:19 INFO server.HttpServer: akka://spark/user/BlockManagerHTTPServer started on /0.0.0.0:53206  
19. 13/06/21 10:01:19 INFO storage.BlockManagerUI: Started BlockManager web UI at http://ubuntu:53206  
20. 13/06/21 10:01:19 INFO spark.SparkContext: Added JAR /home/yn/spark-0.7.2/examples/target/scala-2.9.3/spark-examples_2.9.3-0.7.2.jar at http://192.168.1.100:40454/jars/spark-examples_2.9.3-0.7.2.jar with timestamp 1371780079811  
21. 13/06/21 10:01:20 INFO spark.SparkContext: Starting job: reduce at SparkPi.scala:22  
22. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Got job 0 (reduce at SparkPi.scala:22) with 2 output partitions (allowLocal=false)  
23. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Final stage: Stage 0 (map at SparkPi.scala:18)  
24. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Parents of final stage: List()  
25. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Missing parents: List()  
26. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Submitting Stage 0 (MappedRDD[1] at map at SparkPi.scala:18), which has no missing parents  
27. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Submitting 2 missing tasks from Stage 0 (MappedRDD[1] at map at SparkPi.scala:18)  
28. 13/06/21 10:01:20 INFO local.LocalScheduler: Running ResultTask(0, 0)  
29. 13/06/21 10:01:20 INFO local.LocalScheduler: Running ResultTask(0, 1)  
30. 13/06/21 10:01:20 INFO local.LocalScheduler: Size of task 1 is 1343 bytes  
31. 13/06/21 10:01:20 INFO local.LocalScheduler: Size of task 0 is 1343 bytes  
32. 13/06/21 10:01:20 INFO local.LocalScheduler: Fetching http://192.168.1.100:40454/jars/spark-examples_2.9.3-0.7.2.jar with timestamp 1371780079811  
33. 13/06/21 10:01:20 INFO spark.Utils: Fetching http://192.168.1.100:40454/jars/spark-examples_2.9.3-0.7.2.jar to /tmp/fetchFileTemp4213276189938108169.tmp  
34. 13/06/21 10:01:20 INFO local.LocalScheduler: Adding file:/tmp/spark-cdc3e2f9-e2ea-45ee-99bc-c2cd324f9ee1/spark-examples_2.9.3-0.7.2.jar to class loader  
35. 13/06/21 10:01:20 INFO local.LocalScheduler: Finished ResultTask(0, 1)  
36. 13/06/21 10:01:20 INFO local.LocalScheduler: Finished ResultTask(0, 0)  
37. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Completed ResultTask(0, 1)  
38. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Completed ResultTask(0, 0)  
39. 13/06/21 10:01:20 INFO scheduler.DAGScheduler: Stage 0 (map at SparkPi.scala:18) finished in 0.285 s  
40. 13/06/21 10:01:20 INFO spark.SparkContext: Job finished: reduce at SparkPi.scala:22, took 0.326348109 s  
41. Pi is roughly 3.1431  

5. 关于Hadoop版本

Spark是兼容Hadoop HDFS的，所以为了能够正常运行，Spark版本与Hadoop版本必须匹配，对于Spark 0.7.2默认支持的是Hadoop 1.0.4，当需要修改Hadoop版本的时候，可以在根目录下project/SparkBuild.scala中修改HADOOP_VERSION，然后在Spark根目录下重新执行：

[plain] view plain copy

1. sbt clean compile  

或者

[plain] view plain copy

1. sbt clean package  

关于这两个命令是否功能一样，不是很清楚，待研究，如果有指导的朋友，还请不吝赐教～