Spark2.0与HDP2.4集成

导语

HDP2.4的Hadoop版本为2.7.1，Spark版本为Spark1.6。很多感兴趣的朋友想要在HDP2.4的环境上尝鲜Spark2.0，笔者自己也尝试着在HDP2.4的环境下运行了spark2.0 on YARN模式。将一些配置整理如下，感兴趣的朋友可以作为参考。

1. 环境准备

• 安装HDP2.4，不包含Spark组件。
• 下载Spark2.0预览版spark-2.0.0-preview-bin-hadoop2.7.tar

2. 配置

• 解压缩spark-2.0.0-preview-bin-hadoop2.7.tar 到目录/usr/hdp/2.4.0.0-169下。

• 进入Spark配置目录 /usr/hdp/2.4.0.0-169/spark-2.0.0-preview-bin-hadoop2.7/conf

• 配置hive-site.xml 为如下：

      
          
              hive.metastore.uris
              thrift://url:9083
          
      
  

  其中，thrift://url:9083为hive metastore url.

• 配置spark-env.sh为如下，相应的配置根据安装环境设置。

    export SPARK_CONF_DIR=/usr/hdp/2.4.0.0-169/spark-2.0.0-preview-bin-hadoop2.7/conf
    # Where log files are stored.(Default:${SPARK_HOME}/logs)
    #export SPARK_LOG_DIR=${SPARK_HOME:-/usr/hdp/current/spark-historyserver}/logs
  
    export SPARK_LOG_DIR=/var/log/spark
    # Where the pid file is stored. (Default: /tmp)  
    export SPARK_PID_DIR=/var/run/spark
    # The scheduling priority for daemons. (Default: 0)
    SPARK_NICENESS=0
    export HADOOP_HOME=/usr/hdp/current/hadoop-client
    export HADOOP_CONF_DIR=/usr/hdp/current/hadoop-client/conf
    # The java implementation to use.
    export JAVA_HOME=/usr/jdk64/jdk1.8.0_60/
    if [ -d "/etc/tez/conf/" ]; then
    export TEZ_CONF_DIR=/etc/tez/conf   
    else
        export TEZ_CONF_DIR=
    fi
  

• 配置spark-defaults.conf为如下，相应的配置根据环境设置，spark.yarn.historyServer.address 为spark history server地址.

    spark.eventLog.dir hdfs:///spark-history
    spark.eventLog.enabled true
    spark.history.fs.logDirectory hdfs:///spark-history
    spark.history.kerberos.keytab none
    spark.history.kerberos.principal none
    spark.history.provider org.apache.spark.deploy.history.FsHistoryProvider
    spark.history.ui.port 18080
    spark.yarn.containerLauncherMaxThreads 25
    spark.yarn.driver.memoryOverhead 384
    spark.yarn.executor.memoryOverhead 384
    spark.yarn.historyServer.address ochadoop02.jcloud.local:18080
    spark.yarn.max.executor.failures 3
    spark.yarn.preserve.staging.files false
    spark.yarn.queue default
    spark.yarn.scheduler.heartbeat.interval-ms 5000
    spark.yarn.submit.file.replication 3
  

• 在hdfs上创建文件夹/spark-history，权限为执行spark的用户所有。

• 打开Ambari，在YARN配置里，diable yarn.timeline-service.enabled。这样的原因是在Spark2.0中Yarn依赖的jersey版本为1.9, Spark2.0依赖的Jersey版本为2.x。Spark没有对Jersey版本进行很好的适配。

• 打开Ambari，在MapReduce配置里，修改/usr/hdp/ ${hdp.version}/hadoop/lib/hadoop-lzo-0.6.0.${hdp.version}.jar为/usr/hdp/2.4.0.0-169/hadoop/lib/hadoop-lzo-0.6.0.2.4.0.0-169.jar