为了解析一些概念、解析一些架构、代码测试,搭建了一个实验平台,如下图所示:
本实验平台是在一台物理机上搭建的,物理机的配置是16G内存,4核8线程CPU。平台的环境配置如下:
以上hadoop和spark安装目录的用户属性都是hadoop(组别为hadoop),其他的安装目录的用户属性是root:root。
实验平台搭建顺序
1:虚拟集群的搭建
A:hadoop2.2.0集群搭建
hadoop2.2完全分布式最新高可靠安装文档
B:Spark1.0.0 Standalone集群搭建
参见博客 Spark1.0.0 on Standalone 模式部署
2:开发端的搭建
客户端采用的Ubuntu操作系统,而Spark虚拟集群采用的是CentOS,默认的java安装目录两个操作系统是不一样的,所以在Ubuntu下安装java的时候特意将java的安装路径改成和CentOS一样。不然的话,每次scp了虚拟集群的配置文件之后,要修改hadoop-env.sh中的java配置。
客户端hadoop2.2.0和Spark1.0.0是直接从虚拟集群中scp出来的,放置在相同的目录下,拥有相同的用户属性。
开发用的IDE采用IntelliJ IDEA,项目的搭建参见 使用IntelliJ IDEA开发Spark1.0.0应用程序 。
应用程序的部署和调试参见 应用程序部署工具spark-submit 。
3:实验数据来源
实验用的数据来源于搜狗实验室下载地址为: http://download.labs.sogou.com/resources.html?v=1
- 互联网语料库(SogouT)
- 网页搜索结果评价(SogouE)
- 链接关系库(SogouT-Link)
- SogouRank库(SogouT-Rank)
- 用户查询日志(SogouQ)
- 互联网词库(SogouW)
4:伪分布式实验平台搭建
上面的实验平台是将hadoop集群、Spark集群和开发环境分离,更接近生产系统;但很多朋友的物理机配置可能偏低,那样的话可以采用伪分布式部署。但伪分布式会有一些缺陷:
- spark的数据本地性不易测试
- 对于并行性不易理解
- job调度不易理解
至于伪分布式的部署很简单,步骤和虚拟集群搭建差不多,只要修改两个地方:
- ssh无密码登陆只需要ssh一下本机
- hadoop和spark的配置文件salves修改成本机机器名
5:调试工具
- Spark1.0.0 history server 配置和使用
- 日志配置
- job server配置