首页 > 代码库 > Apache Spark1.1.0部署与开发环境搭建

Apache Spark1.1.0部署与开发环境搭建

2024-07-25 07:12:13   226人阅读

　　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/lib2 cd /usr/lib3 sudo tar -xvzf jdk-7u67-linux-x64.gz4 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_672 export JRE_HOME=/usr/lib/jdk1.7.0_67/jre3 export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH4 export CLASSPATH=.:$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

 

2. 安装及配置SSH

1 sudo apt-get update2 sudo apt-get install openssh-server3 sudo /etc/init.d/ssh start

　　生成并添加密钥：

1 ssh-keygen -t rsa -P ""  2 cd /home/hduser/.ssh 3 cat id_rsa.pub >> authorized_keys

　　ssh登录：

1 ssh localhost

 

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：

1 sudo cp hadoop-2.4.0.tar.gz /usr/local/2 sudo tar -xzvf hadoop-2.4.0.tar.gz

　　在/etc/profile文件的末尾添加环境变量：

1 export HADOOP_HOME=/usr/local/hadoop-2.4.02 export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH3 4 export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native5 export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"

　　保存并更新/etc/profile：

1 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：

1 cd /usr/local/hadoop-2.4.0/etc/hadoop2 sudo gedit hadoop-env.sh3 sudo gedit yarn-evn.sh

hadoop-env.sh：

yarn-env.sh：

　　修改core-site.xml：

1 sudo gedit 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：

1 sudo gedit hdfs-site.xml

　　在<configuration></configuration>之间添加：

 1 <property> 2   <name>dfs.namenode.name.dir</name> 3   <value>/app/hadoop/dfs/nn</value> 4 </property> 5  6 <property> 7   <name>dfs.namenode.data.dir</name> 8   <value>/app/hadoop/dfs/dn</value> 9 </property>10 11 <property>12   <name>dfs.replication</name>13   <value>1</value>14 </property>

　　修改yarn-site.xml：

1 sudo gedit yarn-site.xml

　　在<configuration></configuration>之间添加：

1 <property>2   <name>mapreduce.framework.name</name>3   <value>yarn</value>4 </property>5 6 <property>7   <name>yarn.nodemanager.aux-services</name>8   <value>mapreduce_shuffle</value>9 </property>

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

1 sudo cp mapred-site.xml.template mapred-site.xml2 sudo gedit mapred-site.xml

　　在<configuration></configuration>之间添加：

1 <property>2   <name>mapreduce.jobtracker.address </name>3   <value>hdfs://localhost:9001</value>4 </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：

1 sudo mkdir /app2 sudo chmod -R hduser:hduser /app

　　格式化hadoop：

1 hadoop namenode -format

　　启动hdfs和yarn。在开发Spark时，仅需要启动hdfs：

1 sbin/start-dfs.sh  2 sbin/start-yarn.sh

 　　在浏览器中打开地址http://localhost:50070/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/local2 sudo tar -xvzf scala-2.9.3.tgz

　　在/etc/profile文件的末尾添加环境变量：

1 export SCALA_HOME=/usr/local/scala-2.9.32 export PATH=$SCALA_HOME/bin:$PATH

　　保存并更新/etc/profile：

1 source /etc/profile

　　测试scala是否安装成功：

1 scala -version

 

5. 安装Spark

1 sudo cp spark-1.1.0-bin-hadoop2.4.tgz /usr/local2 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：

1 export SPARK_HOME=/usr/local/spark-1.1.0-bin-hadoop2.42 export PATH=$SPARK_HOME/bin:$PATH

　　保存并更新/etc/profile：

1 source /etc/profile

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

1 sudo cp spark-env.sh.template spark-env.sh2 sudo gedit spark-env.sh

　　在spark-env.sh中添加：

1 export SCALA_HOME=/usr/local/scala-2.9.32 export JAVA_HOME=/usr/lib/jdk1.7.0_673 export SPARK_MASTER_IP=localhost4 export SPARK_WORKER_MEMORY=1000m

　　启动Spark：

1 cd /usr/local/spark-1.1.0-bin-hadoop2.42 sbin/start-all.sh

　　测试Spark是否安装成功：

1 cd /usr/local/spark-1.1.0-bin-hadoop2.42 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。

Apache Spark1.1.0部署与开发环境搭建


联系
我们