将Spark部署到Hadoop 2.2.0上

本文介绍的是如何将Apache Spark部署到Hadoop 2.2.0上，如果你们的Hadoop是其他版本，比如CDH4，可直接参考官方说明操作。

需要注意两点：（1）使用的Hadoop必须是2.0系列，比如0.23.x，2.0.x，2.x.x或CDH4、CDH5等，将Spark运行在 Hadoop上，本质上是将Spark运行在Hadoop YARN上，因为Spark自身只提供了作业管理功能，资源调度要依托于第三方系统，比如YARN或Mesos等 （2）之所以不采用Mesos而是YARN，是因为YARN拥有强大的社区支持，且逐步已经成为资源管理系统中的标准。

注意，目前官方已经发布了0.8.1版本，可以直接从这里选择合适的版本下载，如果你使用的是hadoop 2.2.0或者CDH5，可以直接从这里下载。

将Spark部署到Hadoop 2.2.0上需要经过以下几步：

步骤1：准备基础软件

步骤2：下载编译spark 0.8.1或者更高版本

步骤3：运行Spark实例

接下来详细介绍这几个步骤。

步骤1：准备基础软件

（1） 基本软件

包括linux操作系统、Hadoop 2.2.0或者更高版本、Maven 3.0.4版本（或者最新3.0.x版本），其中，Hadoop 2.2.0只需采用最简单的方式安装即可，具体可参考我的这篇文章：Hadoop YARN安装部署，Maven安装方法很简单，可以在http://maven.apache.org/download.cgi上下载binary版本，解压后，配置MAVEN_HOME和PATH两个环境变量，具体可自行在网上查找相关方法，比如这篇“Linux下安装maven”，但需要注意，版本不是3.0.x版，Spark对版本要求很严格。

（2）硬件准备

Spark 2.2.0专门搞出来一个yarn-new支持hadoop 2.2.0，因为hadoop 2.2.0的API发生了不兼容变化，需要使用Maven单独编译并打包，而编译过程非常慢（一般机器，2个小时左右），且占用内存较多，因此，你需要一 台满足以下条件的机器作为编译机：

条件1：可以联网：第一次编译时，maven需要从网上下载大量的jar包，速度比较慢，如果你网络不行，建议直接放弃编译。

条件2：内存2GB以上

步骤2：下载编译spark 0.8.1或者更高版本

可以用git下载或者直接wget或者spark 0.8.1版本

wget https://github.com/apache/incubator-spark/archive/v0.8.1-incubating.zip

注意，0.8.1之前的版本不支持hadoop 2.2.0，从0.8.1版本开始支持。

下载之后，对其解压：

unzip v0.8.1-incubating

然后进入解压目录，输入以下命令：

cd incubator-spark-0.8.1-incubating export MAVEN_OPTS=”-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m” mvn -Dyarn.version=2.2.0 -Dhadoop.version=2.2.0  -Pnew-yarn -DskipTests package

 

一般需要等待很长时间，编译完成后，将spark内核打包成一个独立的jar包，命令如下：

原文链接：http://dongxicheng.org/framework-on-yarn/build-spark-on-hadoop-2-yarn/

【编辑推荐】

1. Hadoop2.2.0多节点分布式安装及测试
2. Hadoop无法解决的问题
3. Apache Spark：利用Scala语言开发Spark应用程序
4. Apache Spark：利用Eclipse构建Spark集成开发环境

http://developer.51cto.com/art/201401/426600.htm