Spark集群环境搭建
-0. 前提：配置好Hadoop和JAVA的开发环境
-1. 上传Spark和Scala压缩包（到~/software文件夹中）
-2. 解压压缩包
$ tar -zxvf ~/software/spark-1.6.1-bin-2.5.0-cdh5.3.6cdh版本已经编译好的cdh版本已经编译好的.tgz -C ~/modules/
$ tar -zxvf ~/software/scala-2.10.4.tgz -C ~/modules/
-3. 配置环境变量
$ vim ~/.bash_profile
# SCALA
export SCALA_HOME=/home/hadoop/modules/scala-2.10.4
export PATH=$PATH:$SCALA_HOME/bin
# SPARK
export SPARK_HOME=/home/hadoop/modules/spark-1.6.1-bin-2.5.0-cdh5.3.6
export PATH=$PATH:$SPARK_HOME/bin
$ source ~/.bash_profile
-4. 配置Spark相关参数项
--1. 进入Spark根目录
$ cd $SPARK_HOME
--2. 修改配置文件
$ mv conf/spark-env.sh.template conf/spark-env.sh
$ vim conf/spark-env.sh
JAVA_HOME=/home/hadoop/modules/jdk1.7.0_79
SCALA_HOME=/home/hadoop/modules/scala-2.10.4
HADOOP_CONF_DIR=/home/hadoop/modules/hadoop-2.5.0-cdh5.3.6/etc/hadoop
SPARK_LOCAL_IP=hadoopeasy
######
HADOOP_CONF_DIR: 主要是给定spark应用程序连接hadoop相关服务的配置文件所在的文件夹路径是哪个，如果不给定，那么使用默认的HDFS文件系统(file:///)
该参数的作用其实就是将连接HDFS/YARN的相关配置文件添加到spark应用的classpath中，让spark应用可以连接上hdfs或者yarn
######
-5. 启动HDFS
配置了相关环境变量
$ start-dfs.sh
-6. Spark环境测试(在同一个目录中，不能同时执行多次Spark根目录下bin文件夹中的命令，否则会报错，报错原因：环境没有集成Hive，解决方案：将Hive配置文件hive-site.xml放到$SPARK_HOME/conf文件夹中，并启动hive相关服务)
--1. 进入Spark根目录
$ cd $SPARK_HOME
--2. 测试一：计算π的值
$ ./bin/run-example SparkPi 10
--3. 测试二：PySpark测试
$ ./bin/pyspark
Using Python version 2.6.6 (r266:84292, Nov 22 2013 12:16:22)
SparkContext available as sc, HiveContext available as sqlContext.
>>>
>>> sc
>>> rdd = sc.textFile("/test/input/wc.txt")
>>> rdd.collect()
备注：还可以通过web页面查看spark应用的执行情况
textFile: 作用是按照行读取文本文件数据，形成一个RDD，RDD中的元素一行一行的文本
----------------------------------------------------------
Spark开发环境搭建(Windows)
备注：建议Python版本2.7或者3.5，Python3.6支持不太友好。
-1. 安装Java和Scala
-2. 解压Spark安装包，配置Spark开发环境
将其安装包解压到一个没有中文没有空格的文件夹即可
eg: D:\ProgramFiles\spark-1.6.1-bin-2.5.0-cdh5.3.6
-3. 配置Python开发插件
从刚刚解压的spark根目录中将python\lib文件夹中的两个压缩包解压后放到python的对应目录中：
--a. 解压py4j-0.9-src.zip和pyspark.zip
--b. 解压后的内容(py4j和pyspark两个文件夹)放到：C:\Python3.5\Lib\site-packages
-4. 完成环境搭建