大数据实验室（大数据基础培训）——Spark的安装、配置及基础使用

为某企业做的培训，完整文档见：http://gudaoxuri.github.io/bd-lab/

7. Spark

此主题介绍Spark的安装、配置及基础使用。

Spark介绍
http://www.ibm.com/developerworks/cn/opensource/os-spark/

— ibm.com

Spark基本信息

官网：http://spark.apache.org/
官方教程：http://spark.apache.org/docs/latest/programming-guide.html

 

7.1. 环境准备

# 切换到工作空间
cd /opt/workspaces
# 创建Spark数据目录
mkdir data/spark
# 创建Spark日志目录
mkdir logs/spark

官方教程 http://spark.apache.org/docs/latest/spark-standalone.html

7.2. 安装

wget http://mirrors.hust.edu.cn/apache/spark/spark-1.6.1/spark-1.6.1-bin-hadoop2.6.tgz
tar -zxf spark-1.6.1-bin-hadoop2.6.tgz
rm -rf spark-1.6.1-bin-hadoop2.6.tgz
mv spark-1.6.1-bin-hadoop2.6 ./frameworks/spark

7.3. 配置(伪分布式)

vi ./frameworks/spark/conf/spark-env.sh

export SPARK_MASTER_IP=bd
export SPARK_MASTER_PORT=7077
export MASTER=spark://${SPARK_MASTER_IP}:${SPARK_MASTER_PORT}
# 指定Spark数据目录
export SPARK_LOCAL_DIRS=/opt/workspaces/data/spark/
# 指定Spark日志目录
export SPARK_LOG_DIR=/opt/workspaces/logs/spark/
# 指定JDK目录
export JAVA_HOME=/opt/env/java
# 指定Scala目录
export SCALA_HOME=/opt/env/scala

7.4. 启动与停止

./frameworks/spark/sbin/start-all.sh

7.5. 测试

# 执行圆周率计算示例
./frameworks/spark/bin/run-example  org.apache.spark.examples.SparkPi

./frameworks/spark/bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master spark://bd:6066\
  --deploy-mode cluster \
  --driver-memory 512M \
  --executor-memory 256M \  #如果运行出错请改大些
  ./frameworks/spark/lib/spark-examples-1.6.1-hadoop2.6.0.jar \
  1000

7.6. Word Count

http://spark.apache.org/docs/latest/quick-start.html

Word Count

./frameworks/spark/bin/spark-shell

// 基础版
val textFile = sc.textFile("./frameworks/spark/README.md")
val words = textFile.flatMap(line => line.split(" "))
val exchangeVal = words.map(word => (word,1))
val count = exchangeVal.reduceByKey((a,b) => a + b)
count.collect

// 优化版
sc.textFile("./frameworks/spark/README.md").flatMap(_.split(" ")).map((_,1)).reduceByKey(_ + _).collect

// 带排序
sc.textFile("./frameworks/spark/README.md").flatMap(_.split(" ")).map((_,1)).reduceByKey(_ + _).map(_.swap).sortByKey(false).map(_.swap).collect

// 最终版
val wordR="""\w+""".r
sc.textFile("./frameworks/spark/README.md").flatMap(_.split(" ")).filter(wordR.pattern.matcher(_).matches).map((_,1)).reduceByKey(_ + _).map(_.swap).sortByKey(false).map(_.swap).saveAsTextFile("hdfs://bd:9000/wordcount")

可以访问 http://<host>:8080 查看作业

7.7. 参数说明

• 在哪配置：

Spark properties （Spark属性）在应用程序中通过SparkConf 对象设置，或通过Java系统属性设置。
Environment variables （环境变量）指定各节点的设置，如IP地址、端口，配置文件在conf/spark-env.sh中。
Logging （日志）可以通过log4j.properties配置日志。

• Spark properties

在代码中指定配置

val conf = new SparkConf()
             // 指定使用2个本地线程来运行，本地模式下，我们可以使用n个线程（n >= 1），但在像Spark Streaming这样的场景下，我们可能需要多个线程
             .setMaster("local[2]")
             .setAppName("CountingSheep")
val sc = new SparkContext(conf)

在脚本中指定配置

./bin/spark-submit --name "My app" --master local[4] --conf spark.eventLog.enabled=false
  --conf "spark.executor.extraJavaOptions=-XX:+PrintGCDetails -XX:+PrintGCTimeStamps" myApp.jar

Table 1. 常用配置

属性名称	默认值	说明
spark.app.name		Spark应用的名字
spark.driver.cores	1	在cluster模式下运行driver进程的核数
spark.driver.memory	1g	driver进程可以用的内存总量（如：1g，2g），client模式下无效果，必须要在命令行里用 –driver-memory 或者在默认属性配置文件里设置
spark.executor.memory	1g	单个executor使用的内存总量（如，2g，8g）
spark.master		集群管理器URL

• Environment variables

环境变量在${SPARK_HOME}/conf/spark-env.sh脚本中设置

Table 2. 常用配置

模式	属性名称	默认值	说明
	JAVA_HOME		Java安装目录
	SCALA_HOME		Scala安装目录
	SPARK_LOCAL_IP		本地绑定的IP
	SPARK_LOG_DIR	${SPARK_HOME}/logs	日志目录
standalone	SPARK_MASTER_IP	（当前IP）	Master IP
standalone	SPARK_MASTER_PORT	7077（6066）	Master 端口
standalone	MASTER		默认Master URL
standalone	SPARK_WORKER_CORES	所有	每个节点使用的CPU core上限
standalone	SPARK_WORKER_MEMORY	本节点所有内存减去1GB	每个节点使用的内存上限
standalone	SPARK_WORKER_INSTANCES	1	每个节点启动的worker实例个数
standalone	SPARK_WORKER_PORT	随机	Worker绑定的端口

如果你的slave节点性能非常强劲，可以把SPARK_WORKER_INSTANCES设为大于1；相应的，需要设置SPARK_WORKER_CORES参数限制每个worker实例使用的CPU个数，否则每个worker实例都会使用所有的CPU。

• Logging

日志在${SPARK_HOME}/conf/log4j.properties中设置

• Hadoop集群配置

使用HDFS时需要从Hadoop中复制hdfs-site.xml、 core-site.xml到Spark的classpath中

http://spark.apache.org/docs/latest/configuration.html

7.8. 资源调度

standalone目前只支持简单的先进先出（FIFO）调度器。这个调度器可以支持多用户，你可以控制每个应用所使用的最大资源。默认情况下，Spark应用会申请集群中所有的CPU。

在代码中限制资源

val conf = new SparkConf()
             .setMaster(...)
             .setAppName(...)
             .set("spark.cores.max", "10")
val sc = new SparkContext(conf)

在配置文件     spark-env.sh中限制资源

export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=<value>"

7.9. 性能调优

http://spark.apache.org/docs/latest/tuning.html

7.10. 硬件配置

每个节点：
* 4-8块磁盘
* 8G以上内存
* 千兆网卡
* 8-16核CPU

至少3个节点

http://spark.apache.org/docs/latest/hardware-provisioning.html

7.11. 整合Hive

• 在spark-env.sh中添加配置项

  # Hive目录
  export HIVE_HOME=$HIVE_HOME

       

SPARK_CLASSPATH 有些教程中说要添加 export SPARK_CLASSPATH=$HIVE_HOME/lib/mysql-connector-java-x.jar:$SPARK_CLASSPATH 但目前版本不需要此配置，并且添加上去会导致zeppelin运行出错: org.apache.spark.SparkException: Found both spark.driver.extraClassPath and SPARK_CLASSPATH. Use only the former.

• 复制Hive的几个配置文件

  cp ./frameworks/hive/conf/hive-site.xml ./frameworks/spark/conf
  cp ./frameworks/hive/conf/hive-log4j.properties ./frameworks/spark/conf

       

• 启动thriftserver，用于对外提供JDBC服务

  ./frameworks/spark/sbin/start-thriftserver.sh

       

• 测试连接

  ./frameworks/spark/bin/beeline
  !connect jdbc:hive2://bd:10000
  show tables;

       

.Spark 架构设计

http://spark-internals.books.yourtion.com/index.html +
此文写得挺详细，由于撰写时间较早，与新版本有出入（比如Shuffle Manager现在默认是Sort-based），但不影响对Spark的整体理解。