Spark Local模式安装
目前Apache Spark主要支持三种分布式部署方式:分别是standalone、Spark on mesos和spark on YARN,其中,第一种类似于MapReduce 1.0所采用的模式,内部实现了容错性和资源管理,后两种则是未来发展的趋势,部分容错性和资源管理交由统一的资源管理系统完成:让Spark运行在一个通用的资源管理系统之上,这样可以与其他计算框架,比如MapReduce共用一个集群资源,最大的好处是降低运维成本和提高资源利用率(资源按需分配)。
1.Spark运行模式概述
在实际应用中,Spark应用程序的运行模式取决于传递给SparkContext的MASTER环境变量的值,个别模式还需要依赖辅助的程序接口来配合使用,目前所支持的MASTER环境变量由特定的字符串或URL所组成,如下所示。
- (1)Local[N]:本地模式,使用多个线程。
- (2)Local cluster[worker, core, Memory]:伪分布式模式,可以配置所需要启动的虚拟工作节点的数量,以及每个工作节点所管理的CPU数量和内存尺寸。
- (3)Spark://hostname:port:Standalone模式,需要部署Spark到相关节点,URL为Spark Master主机地址和端口。
- (4)Mesos://hostname:port:Mesos模式,需要部署Spark和Mesos到相关节点,URL为Mesos主机地址和端口。
- (5)YARN standalone/Yarn cluster:YARN模式一,主程序逻辑和任务都运行在YARN集群中。
- (6)YARN client:YARN模式二,主程序逻辑运行在本地,具体任务运行在YARN集群中。
此外还有一些用于调试的URL,因为和应用无关,我们在这里就不列举了。
2.Local模式部署及程序运行
Local模式,顾名思义就是在本地运行,如果不加任何配置,Spark默认设置为Local模式。以SparkPi为例,Local模式下的应用程序的启动命令如下:
./bin/run-example org.apache.spark.examples.SparkPi local
在SparkPi代码的具体实现中,是根据用户传入的参数来选择运行模式的,如果需要自己在代码中指定运行模式,可以通过在代码中配置Master为Local来实现,如以下程序所示。
import org.apache.spark.{SparkConf, SparkContext}
val conf = new SparkConf().setMaster("local").setAppName("My application").set("spark.executor.memory", "1g")
val sc = new SparkContext(conf)
当然,为了使应用程序能够更灵活地在各种部署环境下使用,不建议把与运行环境相关的设置直接在代码中写死。
3.Local本地模式内部实现原理
Local本地模式使用LocalBackend配合TaskSchedulerImpl,内部逻辑结构如下图所示:
LocalBackend响应Scheduler的receiveOffers请求,根据可用的CPU核的设定值[N]直接生成CPU资源返回给Scheduler,并通过Executor类在线程池中依次启动和运行Scheduler返回的任务列表,其核心事件循环由内部类LocalActor以Akka Actor的消息处理形式来实现。
安装步骤:
1.Spark的运行依赖jdk以及scala环境。在此已默认安装jdk1.7。
2.首先在linux上创建目录/data/spark1,用于存储所需文件。
mkdir -p /data/spark1
切换目录到/data/spark1目录,使用wget命令,下载所需的Spark安装包spark-1.6.0-bin-hadoop2.6.tgz以及Scala安装包scala2.10.4.tgz。
cd /data/spark1/
wget http://
wget http://
此处建议使用scala-2.10.4版本。官网中指出,若使用scala2.11.x版本,需要重新编译Spark,并且编译时,需要指定Scala版本的类型。
关于Spark版本,没有严格要求。所以我们使用Spark1.6版本。
3.安装scala。切换目录到/data/spark1目录下,将scala-2.10.4.tgz解压缩到/apps目录下,并将解压后的目录名改为/apps/scala。
cd /data/spark1/
tar -xzvf /data/spark1/scala-2.10.4.tgz -C /apps/
cd /apps
mv /apps/scala-2.10.4/ /apps/scala
使用vim打开用户环境变量~/.bashrc。
vim ~/.bashrc
将scala的bin目录,追加到用户环境变量中,然后保存退出。
#scala
export SCALA_HOME=/apps/scala
export PATH=$SCALA_HOME/bin:$PATH
执行source命令,使系统环境变量生效。
source ~/.bashrc
4,切换目录到/data/spark1目录下,将spark的安装包spark-1.6.0-bin-hadoop2.6.tgz,解压缩到/apps目录下,并将解压后的目录名重命名为spark。
cd /data/spark1
tar -xzvf /data/spark1/spark-1.6.0-bin-hadoop2.6.tgz -C /apps/
cd /apps/
mv /apps/spark-1.6.0-bin-hadoop2.6/ /apps/spark
使用vim打开用户环境变量~/.bashrc。
vim ~/.bashrc
将Spark的配置信息追加到用户环境变量中,然后保存退出。
#spark
export SPARK_HOME=/apps/spark
export PATH=$SPARK_HOME/bin:$PATH
执行source命令,使用户环境变量生效。
source ~/.bashrc
5,下面不需要对spark进行任何配置,就可以启动spark-shell进行任务处理了。
切换目录到/apps/spark/bin目录下,启动spark shell,验证安装完的spark是否可用。执行:
cd /apps/spark/bin/
spark-shell
或执行以下命令可以启动本地模式:
spark-shell local
6,执行测试。在Spark Shell中,使用Scala加载Spark安装目录下,文件README.md,并转变为rdd。
val rdd = sc.textFile("/apps/spark/README.md")
对rdd进行算子操作,统计文件的行数。
rdd.count()
可以看到输出为:
res3: Long = 95
表明安装正确。
完整效果为:
scala> val rdd = sc.textFile("/apps/spark/README.md")
rdd: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[1] at textFile at <console>:27
scala> rdd.count
res0: Long = 95
scala>
到此Spark Local模式已经安装完成!
Spark Standalone伪分布模式安装
Local cluster伪分布式模式,实际是在SparkContext初始化的过程中,在本地启动一个所有服务都在单机上运行的伪分布Spark集群,所以从部署的角度来说无须做任何准备工作。以SparkPi为例,伪分布式模式下的应用程序的启动命令的示例如下:
./bin/run-example org.apache.spark.examples.SparkPi local-cluster[2,2,1024]
上面的伪分布式模式启动两个Worker,每个Worker管理两个CPU和1024MB的内存。
Local cluster伪分布式模式是基于Standalone模式来实现的,所以也叫Standalone伪分布模式,除了启动Master和Worker的位置不同,在集群启动完毕后,后续应用程序的工作流程及资源的调度流程与Standalone集群模式完全相同。
Standalone伪分布模式内部逻辑结构如下图所示:
1.Spark的运行依赖jdk,Hadoop,Scala。在这里默认已安装jdk以及Hadoop伪分布模式。
2.在Linux上,创建目录/data/spark2,用于存储spark安装所需的文件。
- mkdir -p /data/spark2
切换目录到/data/spark2下,使用wget命令,下载所需的Spark的安装包spark-1.6.0-bin-hadoop2.6.tgz及scala安装包scala2.10.4.tgz。
- cd /data/spark2/
- wget http://59.64.78.41:60000/allfiles/spark2/scala-2.10.4.tgz
- wget http://59.64.78.41:60000/allfiles/spark2/spark-1.6.0-bin-hadoop2.6.tgz
此处建议使用scala-2.10.4版本。官网中指出,若使用scala2.11.x,则需要重新编译spark,并且编译时,需要指定scala版本的类型。
关于spark版本,没有严格要求。所以我们使用spark1.6版本。
3.安装Scala。切换目录到/data/spark2下,将目录下的scala-2.10.4.tgz解压缩到/apps目录下,并将解压后的目录名改为/apps/scala。
- cd /data/spark2/
- tar -xzvf /data/spark2/scala-2.10.4.tgz -C /apps/
- cd /apps
- mv /apps/scala-2.10.4/ /apps/scala
使用vim打开用户环境变量~/.bashrc。
- vim ~/.bashrc
将scala的bin目录,追加的用户环境变量中。
- #scala
- export SCALA_HOME=/apps/scala
- export PATH=$SCALA_HOME/bin:$PATH
执行source命令,使系统环境变量生效。
- source ~/.bashrc
4.切换目录到/data/spark2下,将Spark的安装包spark-1.6.0-bin-hadoop2.6.tgz,解压缩到/apps目录下,并将解压后的目录名,重命名为spark。
- cd /data/spark2
- tar -xzvf /data/spark2/spark-1.6.0-bin-hadoop2.6.tgz -C /apps/
- cd /apps/
- mv /apps/spark-1.6.0-bin-hadoop2.6/ /apps/spark
使用vim打开用户环境变量~/.bashrc。
- vim ~/.bashrc
将spark的bin目录,追加到用户环境变量中。
- #spark
- export SPARK_HOME=/apps/spark
- export PATH=$SPARK_HOME/bin:$PATH
执行source命令,使用户环境变量生效。
- source ~/.bashrc
5.切换目录到/apps/spark/conf下,将conf目录下的配置文件slaves.template重命名为slaves。
- cd /apps/spark/conf
- mv slaves.template slaves
在slaves中,存储了所有worker节点的的ip或主机名。使用文本编辑器vim打开slaves文件。
- vim slaves
将所有worker节点的ip添加进去。由于目前只有一台节点,所以是。
- 127.0.0.1
6.将/apps/spark/conf/spark-env.sh.template文件,重命名为/apps/spark/conf/spark-env.sh。
- mv /apps/spark/conf/spark-env.sh.template /apps/spark/conf/spark-env.sh
使用vim,打开/apps/spark/conf/spark-env.sh文件。
- vim /apps/spark/conf/spark-env.sh
添加如下配置:
HADOOP_CONF_DIR=/apps/hadoop/etc/hadoop
JAVA_HOME=/apps/java
SPARK_MASTER_IP=127.0.0.1
SPARK_MASTER_PORT=7077
SPARK_MASTER_WEBUI_PORT=8080
SPARK_WORKER_CORES=1
SPARK_WORKER_MEMORY=1g
SPARK_WORKER_PORT=7078
SPARK_WORKER_WEBUI_PORT=8081
SPARK_EXECUTOR_INSTANCES=1
此处需要配置JAVA_HOME以及HADOOP配置文件所在的目录HADOOP_CONF_DIR。
SPARK_MASTER_IP、SPARK_MASTER_PORT、SPARK_MASTER_WEBUI_PORT,分别指spark集群中,master节点的ip地址、端口号、提供的web接口的端口。
SPARK_WORKER_CORES、SPARK_WORKER_MEMORY:worker节点的内核数、内存大小。
此处可用根据自己机器情况调整配置项参数。
7.启动Hadoop,首先需要保证Hadoop相关进程为启动状态。
- cd /apps/hadoop/sbin
- ./start-all.sh
切换目录到/apps/spark/sbin目录下,启动Spark。
- cd /apps/spark/sbin
- ./start-all.sh
执行jps,查看进程变化。
8.执行测试
在HDFS上,创建/myspark2目录,并将Linux上/apps/spark/README.md文件,上传到HDFS。
- hadoop fs -mkdir /myspark2
- hadoop fs -put /apps/spark/README.md /myspark2/
切换目录到/apps/spark/bin目录下,使用Spark Shell客户端,访问服务端,验证安装完的Spark是否可用,进入命令行模式。
- cd /apps/spark/bin
- ./spark-shell --master spark://localhost:7077
在Spark Shell中,使用scala加载HDFS上的README.md文件,并转变为rdd。
- var mytxt = sc.textFile("hdfs://localhost:9000/myspark2/README.md");
统计文件的行数。
- mytxt.count();
可用看到输出为:
- res3: Long = 95
表明安装正确。
9.在刚才执行统计过程中,由于Log4j的日志输出级别为info级别,所以会在屏幕上输出很多的log,很难定位程序的输出结果。
输入exit,退出spark-shell,并切换目录到/apps/spark/sbin目录下,停止Spark。
- exit
- cd /apps/spark/sbin
- ./stop-all.sh
再切换目录到/apps/spark/conf目录下,将目录下log4j.properties.template重命名为log4j.properties。
- cd /apps/spark/conf
- mv /apps/spark/conf/log4j.properties.template /apps/spark/conf/log4j.properties
使用vim打开log4j.properties文件。
- vim log4j.properties
更改log4j的日志级别为WARN级别,修改log4j.rootCategory内容为:
- log4j.rootCategory=WARN, console
再次启动Spark。
- cd /apps/spark/sbin
- ./start-all.sh
进入Spark-Shell。
- spark-shell --master spark://localhost:7077
执行Spark-Shell命令。
- val mytxt = sc.textFile("hdfs://localhost:9000/myspark2/README.md")
- mytxt.count()
完整效果。
scala> val mytxt = sc.textFile("hdfs://localhost:9000/myspark2/README.md")
mytxt: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[1] at textFile at <console>:27
scala> mytxt.count()
res0: Long = 95
scala>
可以看到输出的内容相对于调整log4j日志级别前,更加精简了。
Scala开发插件安装
Scala即可伸缩的语言(Scalable Language),是一种多范式的编程语言,类似于java的编程,设计初衷是要集成面向对象编程和函数式编程的各种特性。
1.Scala的特点
- (1)Scala具有更广泛意义上的类重用。Scala允许定义新类的时候重用“一个类中新增的成员定义(即相较于其父类的差异之处)”。
- (2)Scala还包含了若干函数式语言的关键概念,包括高阶函数(Higher-Order Function)、局部套用(Currying)、嵌套函数(Nested Function)、序列解读(Sequence Comprehensions)等等。
- (3)Scala是静态类型的,这就允许它提供泛型类、内部类、甚至多态方法(Polymorphic Method)。
- (4)Scala可以与Java互操作。它用scalac这个编译器把源文件编译成Java的class文件(即在JVM上运行的字节码)。你可以从Scala中调用所有的Java类库,也同样可以从Java应用程序中调用Scala的代码。
2.Scala与Spark的依赖关系
Spark内核是由Scala语言开发的,因此使用Scala语言开发Spark应用程序是自然而然的事情。所以当我们使用Eclipse工具编写Spark程序时,就必须先安装Scala插件方便在Eclipse中创建Scala项目。
Scala IDE是一个Eclipse插件,提供Scala集成开发工具。主要的功能包括:同一个项目中混合编辑Scala/Java文件;Scala 编辑器支持语法高亮显示,代码自动完成,错误标记,链接到定义处;代码调试;代码大纲视图等。
安装步骤:
1.默认已经将Hadoop,Spark,Scala环境搭建好了,Eclipse开发工具也已经安装完毕。
2.打开Eclipse界面,点击Help=>Install New Software选项。
3.在弹出的界面中,输入scala的插件的地址。
4.访问Scala网站的http://scala-ide.org/download/prev-stable.html 网址,可以查询到Scala的插件地址。
在网页中,可以看到官网推荐使用Eclipse Juno或Kepler版本,进行安装。
5.由于我们的Scala使用的2.10.4版本,Eclipse选择的juno版本,所以Scala插件的安装地址为:
http://download.scala-ide.org/sdk/helium/e38/scala210/stable/site
6.将上述地址,添加到Eclipse的弹出界面中的"Location"中,点击"ok"。
7.然后在“Select All”上面的空栏中右键点击copy,再点击“Select All”选中需要安装的内容,并点击Next下一步。
8.进入以下界面,选择同意接受协议。
然后再点击Finish。
9.等安装完成,点击yes,重启Eclipse。
就可以新建Scala项目了。