Spark大数据处理学习笔记（2.2）搭建Spark Standalone集群

该文章主要为完成实训任务，详细实现过程及结果见【http://t.csdn.cn/DrziJ】

---

一、在master虚拟机上安装配置Spark

1.1 将spark安装包上传到master虚拟机

• 下载Spark：pyw2
• 进入/opt目录，查看上传的spark安装包
  

1.2 将spark安装包解压到指定目录

• 执行命令： tar -zxvf spark-3.3.2-bin-hadoop3.tgz
  
• 修改文件名：mv spark-3.3.2-bin-hadoop3 spark-3.3.2
  

1.3 配置spark环境变量

• 执行命令：vim /etc/profile
  

export SPARK_HOME=/opt/spark-3.3.2
export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH

• 存盘退出后，执行命令：source /etc/profile，让配置生效
  
• 查看spark安装目录（bin、sbin和conf三个目录很重要）
  

1.4 编辑spark环境配置文件

• 进入spark配置目录后，执行命令：cp spark-env.sh.template spark-env.sh与vim spark-env.sh
  
• 添加三行语句
  

export JAVA_HOME=/usr/java/jdk1.8.0_333-amd64
export SPARK_MASTER_HOST=master
export SPARK_MASTER_PORT=7077

• 存盘退出，执行命令：source spark-env.sh，让配置生效
  

1.5 创建slaves文件，添加从节点

• 执行命令：vim slaves，添加两个从节点主机名
  

二、在slave1虚拟机上安装配置Spark

2.1 把master虚拟机上安装的spark分发给slave1虚拟机

• 执行命令：scp -r $SPARK_HOME root@slave1:$SPARK_HOME
  

2.2 将master虚拟机上环境变量配置文件分发到slave1虚拟机

• 在master虚拟机上，执行命令：scp /etc/profile root@slave1:/etc/profile
  

• 在slave1虚拟机上，执行命令：source /etc/profile，让环境配置生效
  

2.3 在slave1虚拟机上让spark环境配置文件生效

• 在slave1虚拟机上，进入spark配置目录，执行命令：source spark-env.sh
  

三、在slave2虚拟机上安装配置Spark

3.1 把master虚拟机上安装的spark分发给slave2虚拟机

• 执行命令：scp -r $SPARK_HOME root@slave2:$SPARK_HOME
  

3.2 把master虚拟机上环境变量配置文件分发到slave2虚拟机

• 在master虚拟机上，执行命令：scp /etc/profile root@slave2:/etc/profile
  
• 在slave2虚拟机上，执行命令：source /etc/profile，让环境配置生效
  

3.3 在slave2虚拟机上让spark环境配置文件生效

• 在slave2虚拟机上，进入spark配置目录，执行命令：source spark-env.sh
  

四、启动Spark Standalone集群

4.1 启动hadoop的dfs服务

• 在master虚拟机上执行命令：start-dfs.sh
  

4.2 启动Spark集群

• 执行命令：start-all.sh
  

五、访问Spark的WebUI

• 在浏览器里访问http://master:8080
  
• 在浏览器访问http://slave1:8081
  
• 在浏览器访问http://slave2:8081
  

六、启动Scala版Spark Shell

• 执行命令：spark-shell --master spark://master:7077 （注意–master，两个-不能少）
  
• 在/opt目录里执行命令：vim test.txt
  
  
• 在HDFS上创建park目录，将test.txt上传到HDFS的/park目录
  
• 读取HDFS上的文件，创建RDD，执行命令：val rdd = sc.textFile("hdfs://master:9000/park/test.txt")（说明：val rdd = sc.textFile("/park/test.txt")读取的依然是HDFS上的文件，绝对不是本地文件）
  
• 收集rdd的数据，执行命令：rdd.collect
  
• 进行词频统计，按单词个数降序排列，执行命令：val wordcount = rdd.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).sortBy(_._2, false)与wordcount.collect.foreach(println)
  

七、提交Spark应用程序

7.1 提交语法格式

• Spark提供了一个客户端应用程序提交工具spark-submit，使用该工具可以将编写好的Spark应用程序提交到Spark集群。
• spark-submit的使用格式如下：$ bin/spark-submit [options] [app options]
• options表示传递给spark-submit的控制参数；
• app jar表示提交的程序JAR包（或Python脚本文件）所在位置；
• app options表示jar程序需要传递的参数，例如main()方法中需要传递的参数。

7.2 spark-submit常用参数

• 除了–master参数外，spark-submit还提供了一些控制资源使用和运行时环境的参数。
  

7.3 案例演示 - 提交Spark自带的圆周率计算程序

• 进入Spark安装目录
  

（1）Standalone模式，采用client提交方式

• 执行下述命令，将Spark自带的求圆周率的程序提交到集群

bin/spark-submit \
 --class org.apache.spark.examples.SparkPi \
 --master spark://master:7077 \
 ./examples/jars/spark-examples_2.12-3.3.2.jar 

（2）Standalone模式，采用cluster提交方式

bin/spark-submit \
--master spark://master:7077 \
--deploy-mode cluster \
--class org.apache.spark.examples.SparkPi \
--driver-memory 512m \
--executor-memory 1g \
--executor-cores 2 \
./examples/jars/spark-examples_2.12-3.3.2.jar

• 执行命令后，看到State of driver-20230406114733-0000 is RUNNING，就表明运行成功~，否则会显示State of driver-20230406114733-0000 is FAILED
  
• 在Spark WebUI界面上查看运行结果，访问http://master:8080
  
• 单击圈红的Worker超链接 - worker-20230406114652-192.168.1.102-36708
  
• 单击stdout超链接，可以查看到Pi的计算结果

八、停止Spark集群服务

• 在master节点执行命令：stop-all.sh