Spark集群搭建

spark集群搭建需要使用到Hadoop环境，所以在搭建spark集群之前，需要先搭建Hadoop环境，可以参考之前写的 Hadoop—HA集群搭建

一、准备工作

除了上面所说的Hadoop环境外，spark集群搭建还需要配置scala环境，scala环境的配置类似于jdk配置，比较简单，只需下载对应版本的包，解压，在配置文件中添加SCALA_HOME环境变量就可以了，这里就不在做详细说明。

搭建环境：CentOS release 6.5 (Final) + jdk1.8.0_131 + scala-2.11.7
这里使用三台服务器来搭建，分别为node1、node2、node3；
对应的ip为：192.168.1.11、192.168.1.12、192.168.1.13

二、spark具体配置

我这里使用的是spark-2.2.0-bin-hadoop2.6，对应的是Hadoop2.6的版本，首先去spark官网：http://spark.apache.org/downloads.html下载所需的版本，解压到指定目录，我这里是解压到/home/hadoop/app下，解压后目录结构如下：

进入conf目录下，需要配置的文件总共有三个，如下图：

• 1）配置spark-env.sh

  spark-env.sh主要配置spark集群启动时的相关参数，执行

cp spark-env.sh.template spark-env.sh
vi spark-env.sh

//配置以下信息
#指定jdk
export JAVA_HOME=/home/hadoop/app/jdk1.8.0_131
#指定master
export SPARK_MASTER_IP=node1 
#指定结点使用内核数
export SPARK_WORKER_CORES=2
#指定结点使用内存数
export SPARK_WORKER_MEMORY=1g
#配置hadoop的配置路径
export HADOOP_CONF_DIR=/home/hadoop/app/hadoop-2.6.5/etc/hadoop

这里采用最简配置，其他参数设置均采用默认值，需要设置其他的可参考下面参数配置信息：

#本机ip或hostname
    SPARK_LOCAL_IP=node1
#配置spark的local目录                                
    SPARK_LOCAL_DIRS=/home/hadoop/app/
#master节点ip或hostname
    SPARK_MASTER_IP=node1
#web页面端口                              
    SPARK_MASTER_WEBUI_PORT=8080                  
#spark-shell启动使用核数
    export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=4"   
#Worker的cpu核数
    SPARK_WORKER_CORES=2                   
#worker内存大小         
    SPARK_WORKER_MEMORY=8g   
#worker目录                      
    SPARK_WORKER_DIR=/opt/data/spark/work     
#worker自动清理及清理时间间隔     
    export SPARK_WORKER_OPTS=
"-Dspark.worker.cleanup.enabled=true -Dspark.worker.cleanup.appDataTtl=604800"
#history server页面端口、备份数、log日志在HDFS的位置
export SPARK_HISTORY_OPTS=
"-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node1:9000/tmp/spark/applicationHistory" 
#配置Spark的log日志目录 
    SPARK_LOG_DIR=/opt/data/spark/log                                
#配置java路径
    export JAVA_HOME=/usr/local/jdk1.8.0_91/ 
#配置scala路径                                             
    export SCALA_HOME=/usr/local/scala-2.10.4/                                    
#配置hadoop的lib路径
    export HADOOP_HOME=/home/hadoop/app/hadoop-2.6.5/lib/native 
#配置hadoop的配置路径             
    export HADOOP_CONF_DIR=/home/hadoop/app/hadoop-2.6.5/etc/hadoop  

• 2)配置spark-defaults.conf

  spark-defaults.conf主要用于配置spark集群自己的相关信息，执行

 cp spark-defaults.conf.template spark-defaults.conf
 vi spark-defaults.conf

里面的默认配置信息为：

# spark.master                     spark://master:7077
# spark.eventLog.enabled           true
# spark.eventLog.dir               hdfs://namenode:8021/directory
# spark.serializer                 org.apache.spark.serializer.KryoSerializer
# spark.driver.memory              5g
# spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

在采用最简配置时，上述配置都不需要修改，其他参数设置参考如下：

#eventLog是否生效（建议开启，可以对已完成的任务记录其详细日志）
  spark.eventLog.enabled          true    
#eventLog是否启用压缩（cpu性能好的情况下建议开启，以减少内存等的占用）
  spark.eventLog.compress         true   
#eventLog的文件存放位置，与spark-env.sh中的history server配置位置一致,这两个位置必须手动创建
# hadoop fs -mkdir -p /tmp/spark/applicationHistory,否则spark启动失败 
  spark.eventLog.dir              hdfs://node1:9000/tmp/spark/applicationHistory   
#广播块大小
  spark.broadcast.blockSize       8m      
#Executor的cpu核数         
  spark.executor.cores            1        
#Executor的内存大小              
  spark.executor.memory           512m           
#Executor心跳交换时间间隔
  spark.executor.heartbeatInterval        20s    
#文件抓取的timeout
  spark.files.fetchTimeout        120s       
#作业最大失败次数（达到此次数后，该作业不再继续执行，运行失败）         
  spark.task.maxFailures          6   
#设置序列化机制（默认使用java的序列化，但是速度很慢，建议使用Kryo）                  
  spark.serializer                org.apache.spark.serializer.KryoSerializer 
#序列化缓冲大小  
  spark.kryoserializer.buffer.max         256m    
#Akka调度帧大小 
  spark.akka.frameSize            128           
#默认并行数       
  spark.default.parallelism       20        
#最大网络延时             
  spark.network.timeout           300s            
#Spark推测机制（建议开启）     
  spark.speculation               true                      

• 3）配置slaves文件

  配置结点信息，由于机器数量限制，这里node1既做主节点，又做从节点

node1
node2
node3

三、启动spark集群

spark-2.2.0-bin-hadoop2.6/sbin 目录下

//启动master和slaves
start-all.sh  
//停止master和slaves                  
stop-all.sh                    

jps检查是否运行成功，如果master节点出现Master，worker节点出现Worker说明运行成功！

四、spark-submit提交作业任务

代码需要提交到spark运行，使用命令

./spark-submit  --class cn.test.TestDemo --master spark:node1:7077 --executor-memory 2g --num-executors 5  /home/hadoop/jobs/testdemo-0.0.1-SNAPSHOT.jar

spark-submit 在默认情况下它会从Spark文件夹的conf/spark-defaults.conf读取参数，如果配置了spark.master, 你就可以不用在调用spark-submit脚本时设置–master参数，如果你不清楚配置项来自哪里，你可以使用–verbose打印详细的调试信息

以上都是自己在学习过程中的总结整理，如果有错误的地方，欢迎留言指正。