Apache Spark1.1.0部署与开发环境搭建 - Mark Lin

原文链接：http://www.tuicool.com/articles/2e2q2y

       Spark是Apache公司推出的一种基于Hadoop Distributed File System(HDFS)的并行计算架构。与MapReduce不同，Spark并不局限于编写map和reduce两个方法，其提供了更为强大的内存计算(in-memory computing)模型，使得用户可以通过编程将数据读取到集群的内存当中，并且可以方便用户快速地重复查询，非常适合用于实现机器学习算法。本文将介绍Apache Spark1.1.0的部署与开发环境搭建。

0. 准备

出于学习目的，本文将Spark部署在虚拟机中，虚拟机选择 VMware WorkStation 。在虚拟机中，需要安装以下软件：

• Ubuntu 14.04.1 LTS 64位桌面版
• hadoop-2.4.0.tar.gz
• jdk-7u67-linux-x64.tar.gz  
• scala-2.10.4.tgz
• spark-1.1.0-bin-hadoop2.4.tgz

Spark的开发环境，本文选择Windows7平台，IDE选择IntelliJ IDEA。在Windows中，需要安装以下软件：

• IntelliJ IDEA 13.1.4 Community Edition
• apache-maven-3.2.3-bin.zip (安装过程比较简单，请读者自行安装)
• 
  

1. 安装JDK

解压jdk安装包到/usr/lib目录：

1 sudo cp jdk-7u67-linux-x64.gz /usr/lib 2 cd /usr/lib 3 sudo tar -xvzf jdk-7u67-linux-x64.gz 4 sudo gedit /etc/profile

在/etc/profile文件的末尾添加环境变量：

1 export JAVA_HOME=/usr/lib/jdk1.7.0_67
2 export JRE_HOME=/usr/lib/jdk1.7.0_67/jre
3 export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
4 export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH

保存并更新/etc/profile：

1 source /etc/profile

测试jdk是否安装成功：

1 java -version

（注释：

（1）在此过程中 Win条件下配置cygwin：使用TXT编辑器 导致一些列的 -r 空格问题，真是扯！

（2）在此过程中 使用反人类的脑残VIM：神奇的模式编辑器，真是扯！

（3）出现扯淡的 BASH：/ 这是一个目录问题，不过不影响操作步骤！

）

2.  安装及配置SSH

sudo apt-get update sudo apt-get install openssh-server 

生成并添加密钥：

ssh-keygen -t rsa -P ""  

显示：Generating public/private rsa key pair.
Enter file in which to save the key (/home/wshchn/.ssh/id_rsa): 

按空格：一不小心按了Ctrl+c

显示：Created directory '/home/wshchn/.ssh'.
Your identification has been saved in /home/wshchn/.ssh/id_rsa.
Your public key has been saved in /home/wshchn/.ssh/id_rsa.pub.
The key fingerprint is:
6a:18:65:35:e2:44:be:28:fd:ee:67:f5:61:b9:f4:1a wshchn@wshchn-Aspire-4741
The key's randomart image is:
+--[ RSA 2048]----+
|     .+ o        |
|     + o .       |
|      =          |
|   . + .         |
|  . + . S    .   |
|   . + .  . =    |
|    . +  . +E+   |
|     o  o   o..  |
|     .oo    ..   |
+-----------------+

cd /home/hduser/.ssh   cd /home/wshchn/.ssh 

ssh登录：

ssh localhost

显示：
The authenticity of host 'localhost (127.0.0.1)' can't be established.
ECDSA key fingerprint is df:27:6e:61:8a:3a:5d:5b:3b:58:26:89:1f:d1:5a:32.
Are you sure you want to continue connecting (yes/no)?         yes

显示：
Warning: Permanently added 'localhost' (ECDSA) to the list of known hosts.
Welcome to Ubuntu 14.04.1 LTS (GNU/Linux 3.13.0-32-generic x86_64)

 * Documentation:  https://help.ubuntu.com/

The programs included with the Ubuntu system are free software;
the exact distribution terms for each program are described in the
individual files in /usr/share/doc/*/copyright.

Ubuntu comes with ABSOLUTELY NO WARRANTY, to the extent permitted by
applicable law.

Last login: Mon Jan 19 10:26:53
-bash: /: 是一个目录

（注释：此步骤米有疏漏）

3. 安装hadoop2.4.0

采用伪分布模式安装hadoop2.4.0。解压hadoop2.4.0到/usr/local目录：

sudo cp hadoop-2.4.0.tar.gz /usr/local/
sudo tar -xzvf hadoop-2.4.0.tar.gz

在/etc/profile文件的末尾添加环境变量：

export HADOOP_HOME=/usr/local/hadoop-2.4.0
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
 
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"

保存并更新/etc/profile：

source /etc/profile

在位于/usr/local/hadoop-2.4.0/etc/hadoop的hadoop-env.sh和yarn-env.sh文件中修改jdk路径：

cd /usr/local/hadoop-2.4.0/etc/hadoop
sudo gedit hadoop-env.sh sudo gedit yarn-evn.sh

hadoop-env.sh：

（查看java路径：linux：
whereis java
which java （java执行路径）
 echo $JAVA_HOME

echo $PATH

export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-amd64

）

yarn-env.sh：

export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-amd64

修改/etc/core-site.xml：

vim  /etc/hadoop/core-site.xml

在<configuration></configuration>之间添加：

1 <property>
2   <name>fs.default.name</name>
3   <value>hdfs://localhost:9000</value>
4 </property>
5 
6 <property>
7   <name>hadoop.tmp.dir</name>
8   <value>/app/hadoop/tmp</value>
9 </property>

修改hdfs-site.xml：

vim  /etc/hadoop/hdfs-site.xml

在<configuration></configuration>之间添加：

  <property>
    <name>dfs.namenode.name.dir</name>
   <value>/app/hadoop/dfs/nn</value>
  </property>
  
  <property>
    <name>dfs.namenode.data.dir</name>
    <value>/app/hadoop/dfs/dn</value>
  </property>
 
 <property>
   <name>dfs.replication</name>
   <value>1</value>
 </property>

修改yarn-site.xml：

vim  /etc/hadoop/yarn-site.xml

在<configuration></configuration>之间添加：

 <property>
   <name>mapreduce.framework.name</name>
   <value>yarn</value>
 </property>
 
 <property>
   <name>yarn.nodemanager.aux-services</name>
   <value>mapreduce_shuffle</value>
 </property>

复制并重命名mapred-site.xml.template为mapred-site.xml：

sudo cp mapred-site.xml.template mapred-site.xml cp /opt/hadoop-2.2.0/etc/hadoop/mapred-site.xml.template /opt/hadoop-2.2.0/etc/hadoop/mapred-site.xml sudo gedit mapred-site.xml
vim /opt/hadoop-2.2.0/etc/hadoop/mapred-site.xml 

在<configuration></configuration>之间添加：

<property>
  <name>mapreduce.jobtracker.address </name>
  <value>hdfs://localhost:9001</value>
 </property>

在启动hadoop之前，为防止可能出现无法写入log的问题，记得为/app目录设置权限：

 sudo mkdir /app mkdir /opt/hadoop-2.2.0/app/  sudo chmod -R hduser:hduser /app      chmod -R 770 wishchin:wishchin /opt/hadoop-2.2.0/app/ 

格式化hadoop：

hadoop namenode -format

显示：

DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.

15/01/19 16:52:55 INFO namenode.NameNode: STARTUP_MSG:
/************************************************************
STARTUP_MSG: Starting NameNode
STARTUP_MSG:   host = wshchn-Aspire-4741/127.0.1.1
STARTUP_MSG:   args = [-format]
STARTUP_MSG:   version = 2.2.0
STARTUP_MSG:   classpath = /opt/h

.................

..................

....................

15/01/19 16:52:58 INFO namenode.FSImage: Image file /app/hadoop/dfs/nn/current/fsimage.ckpt_0000000000000000000 of size 196 bytes saved in 0 seconds.
15/01/19 16:52:58 INFO namenode.NNStorageRetentionManager: Going to retain 1 images with txid >= 0
15/01/19 16:52:58 INFO util.ExitUtil: Exiting with status 0
15/01/19 16:52:58 INFO namenode.NameNode: SHUTDOWN_MSG:
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at wshchn-Aspire-4741/127.0.1.1
************************************************************/

启动hdfs和yarn。在开发Spark时，仅需要启动hdfs：

sbin/start-dfs.sh     /opt/hadoop-2.2.0/sbin/start-dfs.sh 显示： 15/01/19 16:56:31 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Starting namenodes on [localhost] root@localhost's :     sbin/start-yarn.sh

在浏览器中打开地址可以查看hdfs状态信息：

4. 安装scala

1 sudo cp /home/hduser/Download/scala-2.9.3.tgz /usr/local 2 sudo tar -xvzf scala-2.9.3.tgz

在/etc/profile文件的末尾添加环境变量：

export SCALA_HOME=/usr/local/scala-2.9.3
export PATH=$SCALA_HOME/bin:$PATH

保存并更新/etc/profile：

source /etc/profile

测试scala是否安装成功：

1 scala -version

5. 安装Spark

sudo cp spark-1.1.0-bin-hadoop2.4.tgz /usr/local sudo tar -xvzf spark-1.1.0-bin-hadoop2.4.tgz

在/etc/profile文件的末尾添加环境变量：

export SPARK_HOME=/usr/local/spark-1.1.0-bin-hadoop2.4
export PATH=$SPARK_HOME/bin:$PATH

保存并更新/etc/profile：

source /etc/profile

复制并重命名spark-env.sh.template为spark-env.sh：

sudo cp spark-env.sh.template spark-env.sh sudo gedit spark-env.sh

在spark-env.sh中添加：

export SCALA_HOME=/usr/local/scala-2.9.3
export JAVA_HOME=/usr/lib/jdk1.7.0_67
export SPARK_MASTER_IP=localhost
export SPARK_WORKER_MEMORY=1000m

启动Spark：

cd /usr/local/spark-1.1.0-bin-hadoop2.4
sbin/start-all.sh

测试Spark是否安装成功：

cd /usr/local/spark-1.1.0-bin-hadoop2.4
bin/run-example SparkPi

6. 搭建Spark开发环境

本文开发Spark的IDE推荐IntelliJ IDEA，当然也可以选择Eclipse。在使用IntelliJ IDEA之前，需要安装scala的插件。点击Configure：

点击Plugins：

点击Browse repositories...：

在搜索框内输入scala，选择Scala插件进行安装。由于已经安装了这个插件，下图没有显示安装选项：

安装完成后，IntelliJ IDEA会要求重启。重启后，点击Create New Project：

Project SDK选择jdk安装目录，建议开发环境中的jdk版本与Spark集群上的jdk版本保持一致。点击左侧的Maven，勾选Create from archetype，选择org.scala-tools.archetypes:scala-archetype-simple：

点击Next后，可根据需求自行填写GroupId，ArtifactId和Version：

点击Next后，如果本机没有安装maven会报错，请保证之前已经安装maven：

点击Next后，输入文件名，完成New Project的最后一步：

点击Finish后，maven会自动生成pom.xml和下载依赖包。我们需要修改pom.xml中scala的版本：

1 <properties>
2   <scala.version>2.10.4</scala.version>
3 </properties>

在<dependencies></dependencies>之间添加配置：

 1 <!-- Spark -->
 2 <dependency>
 3   <groupId>org.apache.spark</groupId>
 4   <artifactId>spark-core_2.10</artifactId>
 5   <version>1.1.0</version>
 6 </dependency>
 7 
 8 <!-- HDFS -->
 9 <dependency>
10   <groupId>org.apache.hadoop</groupId>
11   <artifactId>hadoop-client</artifactId>
12   <version>2.4.0</version>
13 </dependency>

Spark的开发环境至此搭建完成。One more thing，wordcount的示例代码：

 1 package mark.lin //别忘了修改package
 2 
 3 import org.apache.spark.{SparkConf, SparkContext}
 4 import org.apache.spark.SparkContext._
 5 
 6 import scala.collection.mutable.ListBuffer
 7 
 8 /**  9  * Hello world! 10  * 11  */
12 object App{
13   def main(args: Array[String]) {
14     if (args.length != 1) {
15       println("Usage: java -jar code.jar dependencies.jar")
16       System.exit(0)
17     }
18     val jars = ListBuffer[String]()
19     args(0).split(",").map(jars += _)
20 
21     val conf = new SparkConf()
22     conf.setMaster("spark://localhost:7077").setAppName("wordcount").set("spark.executor.memory", "128m").setJars(jars)
23 
24     val sc = new SparkContext(conf)
25 
26     val file = sc.textFile("hdfs://localhost:9000/hduser/wordcount/input/input.csv")
27     val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
28     println(count)
29     count.saveAsTextFile("hdfs://localhost:9000/hduser/wordcount/output/")
30     sc.stop()
31   }
32 }

7. 编译&运行

使用maven编译源代码。点击左下角，点击右侧package，点击绿色三角形，开始编译。

在target目录下，可以看到maven生成的jar包。其中，hellworld-1.0-SNAPSHOT-executable.jar是我们需要放到Spark集群上运行的。

在运行jar包之前，保证hadoop和Spark处于运行状态：

将jar包拷贝到Ubuntu的本地文件系统上，输入以下命令运行jar包：

1 java -jar helloworld-1.0-SNAPSHOT-executable.jar helloworld-1.0-SNAPSHOT-executable.jar

在浏览器中输入地址http://localhost:8080/可以查看任务运行情况：

8. Q&A

Q： 在Spark集群上运行jar包，抛出异常“No FileSystem for scheme: hdfs”：

A：这是由于hadoop-common-2.4.0.jar中的core-default.xml缺少hfds的相关配置属性引起的异常。在maven仓库目录下找到hadoop-common-2.4.0.jar，以rar的打开方式打开：

将core-default.xml拖出，并添加配置：

1 <property>
2   <name>fs.hdfs.impl</name>
3   <value>org.apache.hadoop.hdfs.DistributedFileSystem</value>
4   <description>The FileSystem for hdfs: uris.</description>
5 </property>

再将修改后的core-default.xml替换hadoop-common-2.4.0.jar中的core-default.xml，重新编译生成jar包。

Q： 在Spark集群上运行jar包，抛出异常“Failed on local exception”：

A：检查你的代码，一般是由于hdfs路径错误引起。

Q: 在Spark集群上运行jar包，重复提示“Connecting to master spark”：

A:检查你的代码，一般是由于setMaster路径错误引起。

Q： 在Spark集群上运行jar包，重复提示“Initial job has not accepted any resource; check your cluster UI to ensure that workers are registered and have sufficient memory”：

A：检查你的代码，一般是由于内存设置不合理引起。此外，还需要检查Spark安装目录下的conf/spark-env.sh对worker内存的设置。

9. 参考资料

[1] Spark Documentation from Apache. [ Link ]

10. 鸣谢

感谢limyao( http://limyao.com/ )为本文提供的帮助。