Spark集群搭建与测试

1.虚拟机与Linux
Spark+Tachyon+HDFS（HDFS擅长迭代运算，Tachyon基于内存分布式系统）
Spark是一个计算框架，需要相应的存储框架。目前是基于下面三种存储：
1.Hadoop的HDFS
2.S3，也就是云存储
3.Tychyon（业界在越来越多使用）
Spark+Tachyon+HDFS，将来是黄金组合
Tychyon是基于内存的分布式存储（分布式内存文件系统），也是来自berckly大学的AIM实验室。通过Tychyon可以把不同来源的数据合并起来。是用Java写的
数据不动代码动
Hadoop是Java开发的，可以运行在JVM中
Scala运行在JVM中
Spark是用Scala写的，所以也可以在JVM中
开发环境：
Windows系统，建议用win7
CPU，i7最好
内存，至少8G，建议金士顿8G * 2
VMware，11
Linux，首选CentOS，可以Ubuntu（ubuntukylin-14.04.2-desktop-amd64.iso）
镜像，8核8G，网络使用NAT模式
2.Hadoop集群的搭建和配置
Hadoop，2.6.0，目前最稳定版本，经过业界证实

安装路径：

cd /usr/local/jdk

cd /usr/local/hadoop

cd /usr/local/spark

生产环境里，可以自己编写自动化安装集群脚本，主要是基于CM（Cloudera Manager）和CDH进行集群安装

【Hadoop】

hadoop-2.6.0/etc/hadoop里是配置文件，主要的配置文件有：

core-site.xml

hdfs-site.xml

HDFS的block默认128M

多份副本，默认是3个副本

namenode，管理所有节点，数据的元数据在namenode里，而且也容易发生故障。所以有一个secondary namenode

mapred-site.xml

配置map/reduce运行在什么框架上，也就是yarn

yarn-site.xml

hadoop-env.sh

配置环境变量

~/.bashrc

配置bash的环境变量

slaves

包含datanode

$ bin/hdfs namenode -format

格式化磁盘为HDFS格式

配置了ssh信任互访之后就可以把hadoop文件夹，拷贝到其他机器中

scp -r ./hadoop-2.6.0 root@Worker1:/usr/local/hadoop/

scp /etc/hosts root@Worker1:/etc/hosts

jps，查看Hadoop的进程

tar -zxvf -c 指定目录 aaaa.tgz

3.Spark集群的搭建和配置
【Spark】

conf/spark-env.sh

用template copy一份，做修改

worker_cores，限制了并行处理的worker的数量

slaves，配置worker

配置~/.bashrc里环境变量

source ~/.bashrc，使其生效

然后同步环境变量文件到其他机器上

spark-defaults.conf

粗粒度，程序初始化时一次性分配资源，计算时不需要再申请资源

细粒度，程序计算时分配资源，计算结束后回收资源

yarn是粗粒度

Mesos既支持粗粒度，又支持细粒度

http://master:8088/cluster

spark web UI：4040端口

Hadoop web UI：50070端口

SparkPi程序

object SparkPi {

  def main(args: Array[String]) {

    val conf = new SparkConf().setAppName("Spark Pi")

    val spark = new SparkContext(conf)

    val slices = if (args.length > 0) args(0).toInt else 2

    val n = math.min(100000L * slices, Int.MaxValue).toInt // avoid overflow

    val count = spark.parallelize(1 until n, slices).map { i =>

      val x = random * 2 - 1

      val y = random * 2 - 1

      if (x*x + y*y < 1) 1 else 0

    }.reduce(_ + _)

    println("Pi is roughly " + 4.0 * count /

每一个广告点击的总次数

点击排名（倒排）

SortBykey(false,1)，其中1表示并行度

sc.textFile("/library/wordcount/input/Data").flatMap(_.split(" ")).map(word => (word, 1)).reduceByKey(_+_).map(pair => (pair._2, pair._1)).sortByKey(false,1).map(pair => (pair._2, pair._1)).saveAsTextFile("/library/wordcount/output/dt_spark_clicked3")

CDH

Spark

HDFS

HBase