最近毕设需要用到 Spark 集群,所以就记录下了部署的过程。我们知道 Spark 官方提供了三种集群部署方案: Standalone, Mesos, YARN。其中 Standalone 最为方便,本文主要讲述结合 YARN 的部署方案。
软件环境:
Ubuntu 14.04.1 LTS (GNU/Linux 3.13.0-32-generic x86_64)
Hadoop: 2.6.0
Spark: 1.3.0
0 写在前面
本例中的演示均为非 root 权限,所以有些命令行需要加 sudo,如果你是 root 身份运行,请忽略 sudo。下载安装的软件建议都放在 home 目录之上,比如~/workspace
中,这样比较方便,以免权限问题带来不必要的麻烦。
1. 环境准备
修改主机名
我们将搭建1个master,2个slave的集群方案。首先修改主机名vi /etc/hostname
,在master上修改为master
,其中一个slave上修改为slave1
,另一个同理。
配置hosts
在每台主机上修改host文件
|
配置之后ping一下用户名看是否生效
|
SSH 免密码登录
安装Openssh server
|
在所有机器上都生成私钥和公钥
|
需要让机器间都能相互访问,就把每个机子上的id_rsa.pub
发给master节点,传输公钥可以用scp来传输。
|
在master上,将所有公钥加到用于认证的公钥文件authorized_keys
中
|
将公钥文件authorized_keys
分发给每台slave
|
在每台机子上验证SSH无密码通信
|
如果登陆测试不成功,则可能需要修改文件authorized_keys的权限(权限的设置非常重要,因为不安全的设置安全设置,会让你不能使用RSA功能 )
|
安装 Java
从官网下载最新版 Java 就可以,Spark官方说明 Java 只要是6以上的版本都可以,我下的是 jdk-7u75-linux-x64.gz
在~/workspace
目录下直接解压
|
修改环境变量sudo vi /etc/profile
,添加下列内容,注意将home路径替换成你的:
|
然后使环境变量生效,并验证 Java 是否安装成功
|
安装 Scala
Spark官方要求 Scala 版本为 2.10.x,注意不要下错版本,我这里下了 2.10.4,官方下载地址(可恶的天朝大局域网下载 Scala 龟速一般)。
同样我们在~/workspace
中解压
|
再次修改环境变量sudo vi /etc/profile
,添加以下内容:
|
同样的方法使环境变量生效,并验证 scala 是否安装成功
|
安装配置 Hadoop YARN
下载解压
从官网下载 hadoop2.6.0 版本,这里给个我们学校的镜像下载地址。
同样我们在~/workspace
中解压
|
配置 Hadoop
cd ~/workspace/hadoop-2.6.0/etc/hadoop
进入hadoop配置目录,需要配置有以下7个文件:hadoop-env.sh
,yarn-env.sh
,slaves
,core-site.xml
,hdfs-site.xml
,maprd-site.xml
,yarn-site.xml
-
在
hadoop-env.sh
中配置JAVA_HOME# The java implementation to use.export JAVA_HOME= /home/spark /workspace/jdk1. 7.0_75 -
在
yarn-env.sh
中配置JAVA_HOME# some Java parametersexport JAVA_HOME=/home/ spark/workspace/ jdk1.7.0_75 -
在
slaves
中配置slave节点的ip或者host,slave1slave2 -
修改
core-site.xml
<configuration><property><name>fs.defaultFS </name><value>hdfs: //master:9000/</value></property><property><name>hadoop.tmp.dir </name><value>file: spark hadoop -2.6 .0/tmp </value></property></configuration> -
修改
hdfs-site.xml
<configuration><property><name>dfs.namenode.secondary.http-address </name><value>master: 9001 </value></property><property><name>dfs.namenode.name.dir </name><value>file: spark hadoop -2.6 .0 name </value></property><property><name>dfs.datanode.data.dir </name><value>file: spark hadoop -2.6 .0 data </value></property><property><name>dfs.replication </name><value> 3 </value></property></configuration> -
修改
mapred-site.xml
<configuration><property><name>mapreduce.framework.name </name><value>yarn </value></property></configuration> -
修改
yarn-site.xml
<configuration><property><name>yarn.nodemanager.aux-services </name><value>mapreduce_shuffle </value></property><property><name>yarn.nodemanager.aux-services.mapreduce.shuffle.class </name><value>org.apache.hadoop.mapred.ShuffleHandler </value></property><property><name>yarn.resourcemanager.address </name><value>master:8032 </value></property><property><name>yarn.resourcemanager.scheduler.address </name><value>master:8030 </value></property><property><name>yarn.resourcemanager.resource-tracker.address </name><value>master:8035 </value></property><property><name>yarn.resourcemanager.admin.address </name><value>master:8033 </value></property><property><name>yarn.resourcemanager.webapp.address </name><value>master:8088 </value></property></configuration>
将配置好的hadoop-2.6.0
文件夹分发给所有slaves吧
|
启动 Hadoop
在 master 上执行以下操作,就可以启动 hadoop 了。
|
验证 Hadoop 是否安装成功
可以通过jps
命令查看各个节点启动的进程是否正常。在 master 上应该有以下几个进程:
|
在每个slave上应该有以下几个进程:
|
或者在浏览器中输入 http://master:8088 ,应该有 hadoop 的管理界面出来了,并能看到 slave1 和 slave2 节点。
Spark安装
下载解压
进入官方下载地址下载最新版 Spark。我下载的是 spark-1.3.0-bin-hadoop2.4.tgz。
在~/workspace
目录下解压
|
配置 Spark
|
在spark-env.sh
末尾添加以下内容(这是我的配置,你可以自行修改):
|
注:在设置Worker进程的CPU个数和内存大小,要注意机器的实际硬件条件,如果配置的超过当前Worker节点的硬件条件,Worker进程会启动失败。
vi slaves
在slaves文件下填上slave主机名:
|
将配置好的spark-1.3.0
文件夹分发给所有slaves吧
|
启动Spark
|
验证 Spark 是否安装成功
用jps
检查,在 master 上应该有以下几个进程:
|
在 slave 上应该有以下几个进程:
|
进入Spark的Web管理页面: http://master:8080
运行示例
|
注意 Spark on YARN 支持两种运行模式,分别为yarn-cluster
和yarn-client
,具体的区别可以看这篇博文,从广义上讲,yarn-cluster适用于生产环境;而yarn-client适用于交互和调试,也就是希望快速地看到application的输出。