Linux下hadoop2.6和Spark环境搭建

1. 环境准备
   集群有三台机器：

   • master：W118PC01VM01/192.168.0.112
   • slave1：W118PC02VM01/192.168.0.113
   • slave2：W118PC03VM01/192.168.0.114

首先配置/etc/hosts中ip和主机名的映射关系：

* 192.168.0.112 W118PC01VM01
* 192.168.0.113 W118PC02VM01
* 192.168.0.114 W118PC03VM01 

其次配置3台机器互相免密码ssh连接，参考《在Win7虚拟机下搭建Hadoop2.6.0伪分布式环境》。
2. 基本安装步骤
（1） 安装Java（本例使用jdk1.7.0_55）和Scala（使用scala2.10.4）。
（2） 安装Hadoop2.6.0集群。
（3） 安装Spark1.1.0集群。
3. Jdk和Scala安装
在master和slave机器的安装路径和环境变量配置保持一致。安装过程参考《在Win7虚拟机下搭建Hadoop2.6.0+Spark1.4.0单机环境》。
4. Hadoop集群安装
4.1. 安装Hadoop并配置环境变量
安装Hadoop2.6.0版本，安装目录如下。在~/.bash_profile中配置环境变量，参考《在Win7虚拟机下搭建Hadoop2.6.0伪分布式环境》。

4.2. 修改Hadoop配置文件
涉及到的hadoop配置文件主要有以下7个：

1. /home/ap/cdahdp/tools/hadoop/etc/hadoop/hadoop-env.sh
2. /home/ap/cdahdp/tools/hadoop/etc/hadoop/yarn-env.sh
3. /home/ap/cdahdp/tools/Hadoop/etc/hadoop/slaves
4. /home/ap/cdahdp/tools/hadoop/etc/hadoop/core-site.xml
5. /home/ap/cdahdp/tools/hadoop/etc/hadoop/hdfs-site.xml
6. /home/ap/cdahdp/tools/hadoop/etc/hadoop/mapred-site.xml
7. /home/ap/cdahdp/tools/hadoop/etc/hadoop/yarn-site.xml

配置 hadoop-env.sh（修改JAVA_HOME）

The java implementation to use.

export JAVA_HOME=/home/ap/cdahdp/tools/jdk1.7.0_55
配置 yarn-env.sh （修改JAVA_HOME）

some Java parameters

export JAVA_HOME=/home/ap/cdahdp/tools/jdk1.7.0_55

配置slaves（增加slave节点）
W118PC02VM01
W118PC03VM01

配置 core-site.xml（增加hadoop核心配置）


fs.defaultFS
hdfs://192.168.0.112:9000


io.file.buffer.size
131072


hadoop.tmp.dir
file:/home/ap/cdahdp/app/tmp
Abasefor other temporary directories.


hadoop.proxyuser.spark.hosts
*


hadoop.proxyuser.spark.groups
*

配置hdfs-site.xml（增加hdfs配置信息，namenode、datanode端口和目录位置）

dfs.namenode.secondary.http-address
192.168.0.112:9001


dfs.namenode.name.dir
file:/home/ap/cdahdp/app/name


dfs.datanode.data.dir
file:/home/ap/cdahdp/app/data


dfs.replication
3


dfs.webhdfs.enabled
true


dfs.datanode.du.reserved【配置磁盘中保留不用作hdfs集群的空间大小，单位是Byte】
10240000000

配置mapred-site.xml（增加mapreduce配置，使用yarn框架、jobhistory地址以及web地址）

mapreduce.framework.name
yarn


mapreduce.jobhistory.address
192.168.0.112:10020


mapreduce.jobhistory.webapp.address
192.168.0.112:19888

配置 yarn-site.xml（增加yarn功能）

yarn.nodemanager.aux-services
mapreduce_shuffle


yarn.nodemanager.aux-services.mapreduce.shuffle.class
org.apache.hadoop.mapred.ShuffleHandler


yarn.resourcemanager.address
192.168.0.112:8032


yarn.resourcemanager.scheduler.address
192.168.0.112:8030


yarn.resourcemanager.resource-tracker.address
192.168.0.112:8035


yarn.resourcemanager.admin.address
192.168.0.112:8033


yarn.resourcemanager.webapp.address
192.168.0.112:8088

将配置好的hadoop文件copy到两台slave机器上，配置和路径和master一模一样。
4.3. 格式化namenode
在master和slave机器上分别操作：
cd ~/tools/hadoop/bin
./hdfs namenode -format

4.4. 启停hdfs和yarn
cd ~/tools/hadoop/sbin
./start-hdfs.sh
./stop-hdfs.sh
./start-yarn.sh
./stop-yarn.sh

启动后可以用jps查看进程，通常有这几个：
NameNode、SecondaryNameNode、ResourceManager、DataNode
如果启动异常，可以查看日志，在master机器的/home/ap/cdahdp/tools/hadoop/logs目录。
4.5. 查看集群状态
查看hdfs：http://192.168.0.112:50070/
查看RM：http://192.168.0.112:8088/
4.6. 运行wordcount示例程序
上传几个文本文件到hdfs，路径为/tmp/input/
之后运行：

查看执行结果：

正常运行，表示hadoop集群安装成功。
5. Spark集群部署
5.1. 安装Spark并配置环境变量
安装Spark1.1.0版本，安装目录如下。在~/.bash_profile中配置环境变量。

5.2. 修改Hadoop配置文件
配置slaves（增加slave节点）

配置spark-env.sh（设置spark运行的环境变量）
把spark-env.sh.template复制为spark-env.sh

将配置好的spark文件copy到两台slave机器上，配置和路径和master一模一样。
5.3. Spark的启停
cd ~/tools/spark/sbin
./start-all.sh
./stop-all.sh

5.4. 查看集群状态
spark集群的web管理页面：http://192.168.0.112:8080/
spark WEBUI页面：http://192.168.0.112:4040/
启动spark-shell控制台：

5.5. 运行示例程序
往hdfs上上传一个文本文件README.txt：

在spark-shell控制台执行：
统计README.txt中有多少单词：

过滤README.txt包括The单词有多少行：

正常运行，表示Spark集群安装成功。