1、Spark 2.1 源码编译支持CDH

目前CDH支持的spark版本都是1.x， 如果想要使用spark 2x的版本， 只能编译spark源码生成支持CDH的版本。

一、准备工作

找一台Linux主机， 由于spark源码编译会下载很多的第三方类库包， 因此需要主机能够联网。

1、安装Java， 配置环境变量， 版本为JDK1.7或者以上

下载地址： http://www.oracle.com/technetwork/java/javase/downloads/java-archive-downloads-javase7-521261.html

export JAVA_HOME=/usr/java/default
export JRE_HOME=/usr/java/default/jre
export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar:$JRE_HOME/lib:$CLASSPATH
export PATH=$JAVA_HOME/bin:$PATH

2、安装Maven， 版本为3.3.9或者以上

下载地址： https://mirrors.tuna.tsinghua.edu.cn/apache//maven/maven-3/3.3.9/binaries/

export MAVEN_HOME=/usr/local/apache-maven-3.3.9
export PATH=$MAVEN_HOME/bin:$PATH

二、编译Spark的源码包

1、下载spark 2.1.0的源码包

 

2、增加cdh的repository

解压spark的源码包， 编辑pom.xml文件， 在repositories节点 加入如下配置：

    
        cloudera
        https://repository.cloudera.com/artifactory/cloudera-repos/
    

 

 

3、开始编译

./dev/make-distribution.sh --name 2.6.0-cdh5.7.0 --tgz  -Pyarn -Phadoop-2.6 -Phive -Phive-thriftserver -Dhadoop.version=2.6.0-cdh5.7.0

在编译过程中， 可能会出现各种莫名其妙的原因导致中断， 只需要重新执行上面的编译命令即可， 第一编译可能需要几个小时，第一次编译成功后， 后面再编译就很快了。

编译成功后， 可以看到如下：

 

编译成功后， 可以看到生成了tar包：

 

三、测试

1、提交到yarn上面

 

需要配置HADOOP_CONF_DIR或者YARN_CONF_DIR环境变量：

# export HADOOP_CONF_DIR=/etc/hadoop/conf

 

val file=spark.sparkContext.textFile("/tmp/appveyor.yml")
val wc = file.flatMap(line => line.split(",")).map(word=>(word,1)).reduceByKey(_ + _)

 

2、访问hive的表

需要将hive的hive-site.xml复制到spark的conf目录下面。

scala> spark.sql("select * from iot.tp").collect().foreach(println)