一、Spark开发环境准备工作
-
由于Spark仅仅是一种计算框架，不负责数据的存储和管理，因此，通常都会将Spark和Hadoop进行统一部署，由Hadoop中的HDFS、HBase等组件负责数据的存储管理，Spark负责数据计算。
-
安装Spark集群前，需要安装Hadoop环境
二、了解Spark的部署模式
（一）Standalone模式
- Standalone模式被称为集群单机模式。该模式下，Spark集群架构为主从模式，即一台Master节点与多台Slave节点，Slave节点启动的进程名称为Worker，存在单点故障的问题。
（二）Mesos模式
- Mesos模式被称为Spark on Mesos模式。Mesos是一款资源调度管理系统，为Spark提供服务，由于Spark与Mesos存在密切的关系，因此在设计Spark框架时充分考虑到对Mesos的集成。
（三）Yarn模式
- Yarn模式被称为Spark on Yarn模式，即把Spark作为一个客户端，将作业提交给Yarn服务。由于在生产环境中，很多时候都要与Hadoop使用同一个集群，因此采用Yarn来管理资源调度，可以提高资源利用率。
三、搭建Spark单机版环境
（一）前提是安装配置好了JDK
查看JDK版本
（二）下载、安装与配置Spark
1、下载Spark安装包
官网下载页面：Downloads | Apache Spark 
https://spark.apache.org/downloads.html
https://www.apache.org/dyn/closer.lua/spark/spark-3.3.2/spark-3.3.2-bin-hadoop3.tgz
2、将Spark安装包上传到虚拟机
- 将Spark安装包上传到ied虚拟机
/opt目录
3、将Spark安装包解压到指定目录
-
执行命令：
tar -zxvf spark-3.3.2-bin-hadoop3.tgz -C /usr/local -
查看解压之后的spark目录
4、配置Spark环境变量
- 执行
vim /etc/profile
export SPARK_HOME=/usr/local/spark-3.3.2-bin-hadoop3
export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH
存盘退出，执行命令：source /etc/profile，让环境配置生效
（三）使用Spark单机版环境
1、使用Scala版本Spark-Shell
- Spark-Shell是一个强大的交互式数据分析工具，初学者可以很好的使用它来学习相关API，用户可以在命令行下使用Scala编写Spark程序，并且每当输入一条语句，Spark-Shell就会立即执行语句并返回结果，这就是我们所说的REPL（Read-Eval-Print Loop，交互式解释器），Spark-Shell支持Scala和Python
- 命令格式：spark-shell --master
<master-url> --master表示指定当前连接的Master节点<master-url>用于指定Spark的运行模式
执行spark-shell命令，相当于执行spark-shell --master local[*]命令，启动Scala版的Spark-Shell
访问Spark的Web UI界面 - http://ied:4040
计算1 + 2 + 3 + …… + 100
输出字符直角三角形
打印九九表
执行:quit命令，退出Spark Shell交互式环境
3、使用Python版本Spark-Shell
- 执行
pyspark命令启动Python版的Spark-Shell - 执行命令：
yum -y install python3、 - 执行命令：
pyspark - 输出一条信息，进行加法运算，然后退出交互式环境
（二）Spark集群拓扑
1、前提条件：安装配置了分布式Hadoop环境
启动hadoop集群
访问Hadoop WebUI界面
（二）在master虚拟机上安装配置Spark
1、将spark安装包上传到master虚拟机
进入/opt目录，查看上传的spark安装包
2、将spark安装包解压到指定目录
执行命令：tar -zxvf spark-3.3.2-bin-hadoop3.tgz -C /usr/local
3、配置spark环境变量
- 执行命令：
vim /etc/profile
export SPARK_HOME=/usr/local/spark-3.3.2-bin-hadoop3
export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH
存盘退出后，执行命令：source /etc/profile，让配置生效
查看spark安装目录（bin、sbin和conf三个目录很重要
4、编辑spark环境配置文件
- 进入spark配置目录后，执行命令：
cp spark-env.sh.template spark-env.sh与vim spark-env.sh
添加三行语句
export JAVA_HOME=/usr/local/jdk1.8.0_231
export SPARK_MASTER_HOST=master
export SPARK_MASTER_PORT=7077
存盘退出，执行命令：source spark-env.sh，让配置生效
5、创建slaves文件，添加从节点
- 执行命令：
vim slaves，添加两个从节点主机名
五）在slave1虚拟机上安装配置Spark
1、把master虚拟机上安装的spark分发给slave1虚拟机
- 执行命令：
scp -r $SPARK_HOME root@slave1:$SPARK_HOME
2、将master虚拟机上环境变量配置文件分发到slave1虚拟机
-
在master虚拟机上，执行命令：
scp /etc/profile root@slave1:/etc/profile
在slave1虚拟机上，执行命令：source /etc/profile，让环境配置生效
3、在slave1虚拟机上让spark环境配置文件生效
- 在slave1虚拟机上，进入spark配置目录，执行命令：
source spark-env.sh
（六）在slave2虚拟机上安装配置Spark
1、把master虚拟机上安装的spark分发给slave2虚拟机
- 执行命令：
scp -r $SPARK_HOME root@slave2:$SPARK_HOME
2、将master虚拟机上环境变量配置文件分发到slave2虚拟机
-
在master虚拟机上，执行命令：
scp /etc/profile root@slave2:/etc/profile
-
在slave2虚拟机上，执行命令：
source /etc/profile，让环境配置生效
3、在slave2虚拟机上让spark环境配置文件生效
- 在slave2虚拟机上，进入spark配置目录，执行命令：
source spark-env.sh
（七）启动Spark Standalone集群
Spark Standalone集群使用Spark自带的资源调度框架，但一般我们把数据保存在HDFS上，用HDFS做数据持久化，所以Hadoop还是需要配置，但是可以只配置HDFS相关的，而Hadoop YARN不需要配置。启动Spark Standalone集群，不需要启动YARN服务，因为Spark会使用自带的资源调度框架。
1、启动hadoop的dfs服务
- 在master虚拟机上执行命令：
start-dfs.sh
2、启动Spark集群
-
执行命令：
start-all.sh
-
查看
start-all.sh的源码启动Master与Worker的命令# Start Master "${SPARK_HOME}/sbin"/start-master.sh # Start Worker s"${SPARK_HOME}/sbin"/start-slaves.sh -
可以看到，当执行start-all.sh命令时，会分别执行start-master.sh命令启动Master，执行start-slaves.sh命令启动Worker。
-
注意，若
spark-evn.sh中配置了SPARK_MASTER_HOST属性，则必须在该属性指定的主机上启动Spark集群，否则会启动不成功；若没有配置SPARK_MASTER_HOST属性，则可以在任意节点上启动Spark集群，当前执行启动命令的节点即为Master节点 -
启动完毕后，分别在各节点执行
jps命令，查看启动的进程。若在master节点存在Master进程，slave1节点存在Worker进程，slave2节点存在Worker进程，则说明集群启动成功 -
查看master节点进程
-
查看slave1节点进程
-
查看slave2节点进程
（八）访问Spark的WebUI
-
在浏览器里访问
http://master:8080
-
在浏览器访问
http://slave1:8081
-
在浏览器访问
http://slave2:8081
（九）启动Scala版Spark Shell
-
执行命令：
spark-shell --master spark://master:7077（注意--master，两个-不能少）
-
在
/opt目录里执行命令：vim test.txt
-
在HDFS上创建
park目录，将test.txt上传到HDFS的/park目录
-
读取HDFS上的文件，创建RDD，执行命令：val rdd = sc.textFile("hdfs://master:9000/park/test.txt")（说明：val rdd = sc.textFile("/park/test.txt")读取的依然是HDFS上的文件，绝对不是本地文件）
-
收集rdd的数据，执行命令：
rdd.collect
-
进行词频统计，按单词个数降序排列，执行命令：val wordcount = rdd.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).sortBy(_._2, false)与`wordcount.collect.foreach(println)
632
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
