spark+hadoop (yarn模式)

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

vi /etc/hosts 10.1.1.107      master 10.1.1.108      slave1 10.1.1.109      slave2

配置之后ping一下用户名看是否生效

ping slave1 ping slave2

2.SSH 免密码登录 , 若是scp命令权限否认可以通过拷贝来操作 , 下面红色部分有记载

安装Openssh server

sudo apt-get install openssh-server

在所有机器上都生成私钥和公钥

ssh-keygen -t rsa   #一路回车

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。

scp ~/.ssh/id_rsa.pub spark@master:~/.ssh/id_rsa.pub.slave1

在master上，将所有公钥加到用于认证的公钥文件authorized_keys中

cat ~/.ssh/id_rsa.pub* >> ~/.ssh/authorized_keys

将公钥文件authorized_keys分发给每台slave

scp ~/.ssh/authorized_keys spark@slave1:~/.ssh/

在每台机子上验证SSH无密码通信

ssh master ssh slave1 ssh slave2

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 ）

chmod 600 ~/.ssh/authorized_keys

3.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

tar -zxvf jdk-7u75-linux-x64.gz

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：

export WORK_SPACE=/home/spark/workspace/ export JAVA_HOME=$WORK_SPACE/jdk1.7.0_75 export JRE_HOME=/home/spark/work/jdk1.7.0_75/jre export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH export CLASSPATH=$CLASSPATH:.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib

然后使环境变量生效，并验证 Java 是否安装成功

$ source /etc/profile   #生效环境变量 $ java -version         #如果打印出如下版本信息，则说明安装成功 java version "1.7.0_75" Java(TM) SE Runtime Environment (build 1.7.0_75-b13) Java HotSpot(TM) 64-Bit Server VM (build 24.75-b04, mixed mode)

4.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

tar -zxvf scala-2.10.4.tgz

再次修改环境变量sudo vi /etc/profile，添加以下内容：

export SCALA_HOME=$WORK_SPACE/scala-2.10.4 export PATH=$PATH:$SCALA_HOME/bin

同样的方法使环境变量生效，并验证 scala 是否安装成功

$ source /etc/profile   #生效环境变量 $ scala -version        #如果打印出如下版本信息，则说明安装成功 Scala code runner version 2.10.4 -- Copyright 2002-2013, LAMP/EPFL

5.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

tar -zxvf hadoop-2.6.0.tar.gz

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

1. 在hadoop-env.sh中配置JAVA_HOME

   # The java implementation to use. export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75

2. 在yarn-env.sh中配置JAVA_HOME

   # some Java parameters export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75

3. 在slaves中配置slave节点的ip或者host，

   slave1 slave2

4. 修改core-site.xml

   fs.defaultFS        hdfs://master:9000/                 hadoop.tmp.dir         file:/home/spark/workspace/hadoop-2.6.0/tmp

5. 修改hdfs-site.xml

   dfs.namenode.secondary.http-address        master:9001                dfs.namenode.name.dir        file:/home/spark/workspace/hadoop-2.6.0/dfs/name                dfs.datanode.data.dir        file:/home/spark/workspace/hadoop-2.6.0/dfs/data                dfs.replication        3

6. 修改mapred-site.xml

   <configuration>    <property>        <name>mapreduce.framework.namename>        <value>yarnvalue>    property> configuration>

7. 修改yarn-site.xml

   <configuration>    <property>        <name>yarn.nodemanager.aux-servicesname>        <value>mapreduce_shufflevalue>    property>    <property>        <name>yarn.nodemanager.aux-services.mapreduce.shuffle.classname>        <value>org.apache.hadoop.mapred.ShuffleHandlervalue>    property>    <property>        <name>yarn.resourcemanager.addressname>        <value>master:8032value>    property>    <property>        <name>yarn.resourcemanager.scheduler.addressname>        <value>master:8030value>    property>    <property>        <name>yarn.resourcemanager.resource-tracker.addressname>        <value>master:8035value>    property>    <property>        <name>yarn.resourcemanager.admin.addressname>        <value>master:8033value>    property>    <property>        <name>yarn.resourcemanager.webapp.addressname>        <value>master:8088value>    property> configuration>

将配置好的hadoop-2.6.0文件夹分发给所有slaves吧

scp -r ~/workspace/hadoop-2.6.0 spark@slave1:~/workspace/

启动 Hadoop

在 master 上执行以下操作，就可以启动 hadoop 了。

cd ~/workspace/hadoop-2.6.0     #进入hadoop目录 bin/hadoop namenode -format     #格式化namenode 停在这一步咯 , 因为在上面的ssh配置时权限还是不能通过 , 不能与slave1和slave2  ssh通信 这一步已经解决 , 只需将master上的公钥文件id_rsa.pub拷贝到slave1和slave2上并重新命名为 authorized_keys即可 , 这是在虚拟机下出现的问题 , 但是真实环境中还需要试验scp命令来拷贝公钥文件 sbin/start-dfs.sh               #启动dfs 这里会出现permission denied问题 , 但是却在slave1和slave2中成功启动了DataNode和NodeManager sbin/start-yarn.sh              #启动yarn

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：

$ jps  #run on master 3407 SecondaryNameNode 3218 NameNode 上面两个没有成功显示出来 , 由于在上面红色部分的问题 , 但是通过http://master:8088成功显示界面 3552 ResourceManager 3910 Jps

在每个slave上应该有以下几个进程：

$ jps  #run on slaves 2072 NodeManager 2213 Jps 1962 DataNode

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。

6.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

tar -zxvf spark-1.3.0-bin-hadoop2.4.tgz mv spark-1.3.0-bin-hadoop2.4 spark-1.3.0    #原来的文件名太长了，修改下

配置 Spark

cd ~/workspace/spark-1.3.0/conf    #进入spark配置目录 cp spark-env.sh.template spark-env.sh   #从配置模板复制 vi spark-env.sh     #添加配置内容

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）：

export SCALA_HOME=/home/spark/workspace/scala-2.10.4 export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75 export HADOOP_HOME=/home/spark/workspace/hadoop-2.6.0 export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop SPARK_MASTER_IP=master SPARK_LOCAL_DIRS=/home/spark/workspace/spark-1.3.0 SPARK_DRIVER_MEMORY=1G

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：

slave1 slave2

将配置好的spark-1.3.0文件夹分发给所有slaves吧

scp -r ~/workspace/spark-1.3.0 spark@slave1:~/workspace/

启动Spark

在spark安装目录下执行下面命令才行 , 目前的master安装目录在/opt/spark-2.0.0-bin-hadoop2.7/

sbin/start-all.sh

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：

$ jps 7949 Jps 7328 SecondaryNameNode 7805 Master 7137 NameNode 7475 ResourceManager

在 slave 上应该有以下几个进程：

$jps 3132 DataNode 3759 Worker 3858 Jps 3231 NodeManager

进入Spark的Web管理页面： http://master:8080

运行示例

#本地模式两线程运行 ./bin/run-example SparkPi 10 --master local[2] #Spark Standalone 集群模式运行 ./bin/spark-submit \  --class org.apache.spark.examples.SparkPi \  --master spark://master:7077 \  lib/spark-examples-1.3.0-hadoop2.4.0.jar \  100 #Spark on YARN 集群上 yarn-cluster 模式运行 ./bin/spark-submit \    --class org.apache.spark.examples.SparkPi \    --master yarn-cluster \  # can also be `yarn-client`    lib/spark-examples*.jar \    10

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。