Spark和Shark环境搭建<转>

转自: http://in.sdo.com/?p=325

Spark/Shark小试

最近在测试集群尝试把Spark以及Shark搭建起来，体验了一下。

Spark是一个高效的分布式计算系统，相比Hadoop，它在性能上比Hadoop号称要高 100倍。Spark提供比Hadoop更 上层的API，同样的算法在Spark中实现往往只有Hadoop的1/10或者1/100的长度。Shark类似“SQL on Spark”，是一个在Spark上数据仓库的实现，在兼容Hive的情况下，性能最高可以达到Hive的一百倍。

Spark

下载Spark

$ wget https://github.com/downloads/mesos/spark/spark-0.6.0-prebuilt.tar.gz
$ tar xvfz spark-0.6.0-prebuilt*.tgz

编辑spark-0.6.0/conf/slaves，添加每个slave节点的hostname，每行一个。

编辑spark-0.6.0/conf/spark-env.sh，设置 SCALA_HOME and SPARK_WORKER_MEMORY

export SCALA_HOME=/home/hdfs/guojian/scala-2.9.2
export JAVA_HOME=/home/hdfs/java-current
export SPARK_WORKER_MEMORY=8g
export SPARK_MASTER_IP=10.133.103.11
export SPARK_MASTER_PORT=7077

SPARK_WORKER_MEMORY是Spark中每个节点可用的最大内存。这个值设置的越大，就会有更多的数据被cache到内存中。

另外，Spark除了依赖上述Scala、Java，还需要一个HDFS集群。

如果系统中没有安装Scala，可以通过如下方法下载：

$ wget http://www.scala-lang.org/downloads/distrib/files/scala-2.9.2.tgz 
$ tar xvfz scala-2.9.2.tgz

进入到spark-0.6.0/bin目录，执行start-all.sh脚本以启动Spark集群。

启动后可以通过http://10.133.103.11:8080/查看spark的状态，如下图：

Shark

$ wget https://github.com/downloads/amplab/shark/shark-0.2.1-bin.tgz
$ tar xvfz shark-0.2.1-bin.tgz

编辑shark-0.2.1/conf/shark-env.sh，设置HIVE_HOME, SCALA_HOME以及MASTER等：

export HADOOP_HOME=/home/hdfs/hadoop-current
export HIVE_HOME=/home/hdfs/guojian/hive-0.9.0-bin
export MASTER=spark://10.133.103.11:7077
export SPARK_HOME=/home/hdfs/guojian/spark-0.6.0
export SCALA_HOME=/home/hdfs/guojian/scala-2.9.2
export SPARK_MEM=5g

source $SPARK_HOME/conf/spark-env.sh

值得说明的是SPARK_MEM的值不能比前面SPARK_WORKER_MEMORY的值大。

复制Spark和Shark目标到每个slave节点。可以使用如下方法：

$ while read slave_host; 
do $ rsync -Pav spark-0.6.0 shark-0.2.1 $slave_host 
$ done < /path/to/spark/conf/slaves

现在可以启动Shark了。

$ ./bin/shark-withinfo

可以用sql测试Shark是否可用。

CREATE TABLE src(key INT, value STRING); 
LOAD DATA LOCAL INPATH '${env:HIVE_HOME}/examples/files/kv1.txt' INTO TABLE src; 
SELECT COUNT(1) FROM src; 
CREATE TABLE src_cached AS SELECT * FROM SRC; 
SELECT COUNT(1) FROM src_cached;

测试结果如下：

简单的对比，在MR中，一个最简单的count操作，至少需要20-30秒的时间，使用spark/shark，这里只需要1秒。由于spark/shark更多的是内存操作，大大降低了IO开销，提升计算效率。当然，不同的计算操作，效率提升也不尽相同，后续有时间针对不同的计算操作再做更进一步的测试。

 

参考资料：

1. http://www.csdn.net/article/2013-04-26/2815057-Spark-Reynold
2. Spark项目主页：http://spark-project.org/
3. Shark项目主页：https://github.com/amplab/shark/wiki
4. 资源下载：https://github.com/amplab/shark/downloads