基于CDH5.4的Spark1.4.1下SparkR的部署

[Author]: kwu

基本CDH5.4的Spark1.4.1下SparkR的部署，R与Spark的结合为数据分析提供高效的解决方案，Hadoop的中hdfs为数据分析提供分布式存储。本文介绍集成安装的步骤：

1、集群的环境

CDH5.4+Spark1.4.1

配置环境变量

 #java
 export JAVA_HOME=/usr/java/jdk1.7.0_67-cloudera
 export JAVA_BIN=$JAVA_HOME/bin
 export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
 export PATH=$PATH:$JAVA_HOME/bin
 export JAVA_LIBRARY_PATH=/opt/cloudera/parcels/CDH/lib/hadoop/lib/native
 export MAVEN_HOME=/opt/softwares/apache-maven-3.3.3
 export PATH=$PATH:$MAVEN_HOME/bin

 #rhadoop
 export HADOOP_HOME=/opt/cloudera/parcels/CDH/lib/hadoop
 export HADOOP_CONF_DIR=/etc/hadoop/conf
 export HADOOP_CMD=/usr/bin/hadoop
 export HADOOP_STREAMING=/opt/cloudera/parcels/CDH/lib/hadoop-0.20-mapreduce/contrib/streaming/hadoop-streaming-2.6.0-mr1-cdh5.4.0.jar
 export HIVE_HOME=/opt/cloudera/parcels/CDH/lib/hive
 export R_HOME=/usr/lib64/R

 #spark
 export SPARK_HOME=/opt/modules/spark
 export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
 export LANG=zh_CN.UTF-8

2、R语言环境最新版本R-3.2.2

1) 安装R前需要打的补丁

 yum -y install gcc-gfortran
 yum -y install gcc gcc-c++
 yum -y install readline-devel
 yum -y install libXt-devel

2) 下载R安装需要的软件包，注意这里不要使用yum安装，否则造成java版本不一致的情况。

需要下载的包：

R-3.2.2.tar.gz

rJava_0.9-7.tar.gz

rhdfs_1.0.8.tar.gz

下载链接： http://pan.baidu.com/s/1nt5qkJn

3)  安装R-3.2.3

解压安装包

 tar zxfv R-3.2.2.tar.gz

编译安装

 ./configure

 make && make install

4) 安装rJava与rhdfs

R CMD INSTALL "rJava_0.9-7.tar.gz"
R CMD INSTALL "rhdfs_1.0.8.tar.gz"

5)设置native
export JAVA_LIBRARY_PATH=/opt/cloudera/parcels/CDH/lib/hadoop/lib/native
native下面的libhadoop.so.0 及 libhadoop.so.1.0.0拷贝到 /usr/lib64

6）注意以上步骤，需要集群中所有的节点都要安装。

3、运行sparkR

最新版本的Spark1.4.1在编译时，就集成了sparkR的组件：

启动sparkR

 /opt/modules/spark/bin/sparkR --master spark://10.130.2.20:7077 --executor-memory 8g --total-executor-cores 45 --conf spark.ui.port=54089

启动时分配相应的内存、CPU资源及UI的端口

1）启动日志：

开始显示R的版本，这与原来的R启动显示一致

启动完毕出现 Welcome to SparkR 则为成功运行sparkR

2) 在spark集群监控页面查看：

SparkR与集群中的任务一样，出现在Running Applications的列表中