spark1.6.0+Hadoop2.6.0+Scala-2.11.7 搭建分布式集群

昨天又捣鼓了一下，网上有些写得很不错的教程，自己经过尝试后觉得需要整理一下。
spark的运行模式有多种(见官网和Spark的Standalone模式安装部署):

• local(本地模式)：常用于本地开发测试，本地还分为local单线程和local-cluster多线程;
• standalone(集群模式)：典型的Mater/slave模式，不过也能看出Master是有单点故障的；Spark支持ZooKeeper来实现 HA
• on yarn(集群模式)： 运行在 yarn 资源管理器框架之上，由 yarn 负责资源管理，Spark 负责任务调度和计算
• on mesos(集群模式)： 运行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，Spark 负责任务调度和计算
• on cloud(集群模式)：比如 AWS 的 EC2，使用这个模式能很方便的访问 Amazon的 S3;Spark 支持多种分布式存储系统：HDFS 和 S3

本文主要记录的是基于standalone的方式和基于集群的方式。

1 用虚拟机搭建Hadoop分布式集群

虚拟机安装
由于主要的实验室环境是Ubuntu系统的服务器，内存大约为64G，使用的虚拟机为virtualbox，在官网下载，安装步骤略。注意，请用相同的用户名创建，这会为后面省去很多麻烦。

主从机互ping
随后将两个guest机配置成slave1和slave2，host机作为master，这里主要需要注意的是通信问题。
要让彼此都ping通，有一点小技巧，我是参照这个教程来做的。
https://2buntu.com/articles/1513/accessing-your-virtualbox-guest-from-your-host-os/
简言之，在默认NAT的模式下，guest是可以直接访问host的，也可以互相访问，但是host不能访问guest，不过通过添加host-only networks，再在guest端添加对应的适配器，host和guest就在同一个网段了。
将它们对应的ip都添加到各自的/etc/hosts文件中。
无密码登陆
在ping通后，我们希望可以无密码登陆，具体要做的事情是从机分别将公钥发给主机，然后主机综合所有的公钥(包括它自己的)，将authorized_keys复制到slave1和slave2的~/.ssh目录下。如果要从图形界面观看这个文件夹，由于它是隐藏的，可以按ctrl+H键显示出来。
操作流程：
1) 安装ssh : sudo apt-get install openssh-server
安装完成后使用ssh命令登陆本机 ssh localhost
2)
exit # 退出刚才的 ssh localhost
cd ~/.ssh/ # 若没有该目录，请先执行一次ssh localhost
ssh-keygen -t rsa # 会有提示，都按回车就可以
3) 在从机slave1和slave2上重复这个步骤，随后利用scp传输：
在slave1上：scp id_rsa.pub singleton@master:~/.ssh/id_rsa.pub.slave1
在slave2上：scp id_rsa.pub singleton@master:~/.ssh/id_rsa.pub.slave2
在master上：

cat id_rsa.pub >> authorized_keys
cat id_rsa.pub.slave1 >> authorized_keys
cat id_rsa.pub.slave2 >> authorized_keys

随后将master的公钥信息authorized_keys复制到slave1和slave2对应目录下，就可以实现无密码登陆了。
修改master、slave1、slave2的配置文件
详细的修改策略可以参考：
http://www.powerxing.com/install-hadoop/
注意不能完全照搬，这里我打算将master既作为主节点，又作为计算节点，所以修改slaves为：
master
slave1
slave2
同时三台机器上的’dfs.replication’值设置为3，就是说数据会有3份备份。

测试Hadoop分布式集群环境
首先确保每台机器的JAVA_HOME都已经准确设置了，就可以按照教程测试了。
测试步骤请同样参考 http://www.powerxing.com/install-hadoop/

2 Spark集群的搭建

安装scala，并设置SCALA_HOME，在3台机器上都做同样配置。
由于我一开始下载的版本是2.11.7所以我自己重新编译了一下。
在官网下载：http://spark.apache.org/downloads.html
Scala 2.11 users should download the Spark source package and build with Scala 2.11 support.

./dev/change-scala-version.sh 2.11
./build/mvn -Pyarn -Phadoop-2.6 -Dscala-2.11 -DskipTests clean package

配置Spark的运行环境，将spark-env.sh.template模板文件复制成spark-env.sh，然后填写相应需要的配置内容
具体的说明可见相应template中注释掉的内容
export SPARK_MASTER_IP=master
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_CORES=1
export SPARK_WORDER_INSTANCES=1
export SPARK_WORKER_MEMORY=5g
或者参考：
https://taoistwar.gitbooks.io/spark-operationand-maintenance-management/content/spark_install/spark_standalone_configuration.html

修改该conf/slaves文件，写入各节点的主机名，master本身也作为工作节点：
master
slave1
slave2

启动集群，首先启动hadoop集群，简单的方式就是在

~/hadoop/sbin/start-all.sh

在master上jps可以看到:
namenode
nodemanager
resourcemanager
secondarynamenode
datanode
随后启动spark集群

~/spark/sbin/start-all.sh

此时会多出
worker
master

3. Intellij

在intellij中以scala进行开发，一个图文教程可见：
http://smartdata.vn/index.php/component/k2/item/66-apache-spark-programming-for-beginner-with-intellij-idea

附上一段work的源码

/**
  * Created by singleton on 4/8/16.
  */
import scala.math.random
import org.apache.spark._
object RemoteDebug {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("Spark Pi").setMaster("spark://master:7077")
      .setJars(List("/home/singleton/GraduateWorkshop/SparkRemote/out/artifacts/SparkRemote_jar/SparkRemote.jar"))
    val spark = new SparkContext(conf)
    val slices = if (args.length > 0) args(0).toInt else 2
    val n = 100000 * slices
    val count = spark.parallelize(1 to n, slices).map { i =>
      val x = random * 2 - 1
      val y = random * 2 - 1
      if (x * x + y * y < 1) 1 else 0
    }.reduce(_ + _)
    println("Pi is roughly " + 4.0 * count / n)
    spark.stop()
  }
}

相关的配置步骤可以按照参考教程：
Windows下IntelliJ IDEA中调试Spark Standalone
http://www.cnblogs.com/yuananyun/p/4265706.html

---

推荐阅读：
除博文中给出的链接外：
spark on YARN集群部署：
http://wuchong.me/blog/2015/04/04/spark-on-yarn-cluster-deploy/