Spark 1.5、Hadoop 2.7 集群环境搭建

247次阅读

共计 4855 个字符，预计需要花费 13 分钟才能阅读完成。

最近需要用到大数据的一些相关技术，于是实验了一下 spark 和 Hadoop 的集群环境搭建。实验包括三台虚拟机，linux-1、linux-2、linux-3，spark 是一个 master 两个 worker，hadoop 是一个主 NameNode、两个 DataNode，其中一个兼做副 NameNode。软件方面，spark 用的 1.5.2 版本，最新的 1.6.1 版本遇到一个 Java 代码访问拒绝的问题，网上有说是 bug，退回到 1.5.2 版。hadoop 用的最新 2.7.2 稳定版，只能在 jdk7 以上版本运行。

spark 集群安装非常简单：

1. 分别在各个机器上解压缩 spark 包，选定一个做 master，其他的做 worker。在 master 上启动 {spark_dir}/sbin/start-master.sh

2.worker 机器上启动 {spark_dir}/sbin/start-slave.sh spark://{master}:7077

3. 这里唯一要注意的是，spark 是采用主机名作为服务识别，所以虽然用 -h xx.xx.xx.xx 的参数也可以按 ip 方式启动成功，但在代码调用里往往遇到麻烦。所以还是老老实实用主机名算了。那么就要注意变更每台机器的 /etc/hostname 及把各个机器的 hostname 配置到每台机器的 /etc/hosts 文件里。

4. 此外，这种方法虽然很好理解，但是要一台机器一台机器的操作，有点麻烦，也可以把配置文件写好，一个命令同时启动所有机器，这个后面说。

hadoop 集群的安装略微麻烦些，因为组件也多一些。hadoop 实际上由 hdfs、mapreduce、yarn 三个主要功能模块构成。hdfs 是分布式文件系统；mapreduce 是分布式计算系统（spark 就是替代这部分的）；yarn 是任务调度和资源管理系统。

1. 有了前面的第 3 步，这里就不用重复操作了。

2. 下面要配置 master 能够 ssh 无密码登录其他 slave。具体方法：先在 master 机器上生成公钥，ssh-keygen -t rsa，后续直接回车，之后会看到产生两个文件，id_rsa、id_rsa.pub，把 id_rsa.pub 分别拷贝到自身和各 slave 机器的~/.ssh 目录（如果没有，手工创建）下，并改名为 authorized_keys（如果以前有这个文件且不想破坏，可以用 cat >> 追加），这样从 master 就可以无密码登录各个机器了。

3. 在各个机器上修改 {hadoop_dir}/etc/hadoop/hadoop-env.sh 中的 JAVA_HOME 变量，形如 export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64 (这句必须改，在其他地方配置的 JAVA_HOME 环境变量没有作用)。
在各个机器上配置 PATH 环境变量 export PATH=$PATH:{hadoop_dir}/bin:{hadoop_dir}/sbin

4. 配置集群环境，即编辑{hadoop_dir}/etc/hadoop 下的 slaves、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml 五个文件。
slaves 文件中把每个 slave 主机名写在一行，很简单，就不给示例了。

core-site.xml 文件示例如下：
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://linux-1:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/home/clusterwork/hadoop-2.7.2/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
</configuration>

hdfs-site.xml 文件示例如下：
<configuration>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>linux-2:50090</value>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/home/clusterwork/hadoop-2.7.2/tmp/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/home/clusterwork/hadoop-2.7.2/tmp/dfs/data</value>
</property>
</configuration>

mapred-site.xml 文件示例如下(没有这个文件先从 mapred-site.xml.template 拷贝一份，如果不使用 map-reduce 不配也可以)：
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapreduce.jobhistory.address</name>
<value>linux-1:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>linux-1:19888</value>
</property>
</configuration>

yarn-site.xml 文件示例如下：
<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>linux-1</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>

以上配置均为示例，还可以有更多选项，具体参考官方文档。之后把这 5 个文件拷贝到每台机器上，覆盖原文件。
首次启动需要先在 Master 节点执行 NameNode 的格式化：hdfs namenode -format
之后在 master 上启动{hadoop_dir}/sbin/start-dfs.sh、{hadoop_dir}/sbin/start-yarn.sh、{hadoop_dir}/sbin/mr-jobhistory-daemon.sh start historyserver，如果一切正常，使用 jps 命令，可以看到下面一些进程。
linux- 1 上：
Jps
NameNode
ResourceManager
JobHistoryServer
linux- 2 上：
Jps
NodeManager
SecondaryNameNode
DataNode
linux- 3 上：
NodeManager
DataNode
Jps

现在 hadoop 就已经可用了。在使用 hdfs 之前先要创建用户：hdfs dfs -mkdir -p /user/clusterwork（这个用户最好和当前操作用户同名，这样在操作时可免输绝对路径），以下是常用命令，和普通 linux 差不多，而且在集群中任意的机器上皆可：
hdfs dfs -mkdir data ——建目录，其实是建在了 /user/clusterwork/data 下
hdfs dfs -put *.xml data ——传文件
hdfs dfs -ls data ——显示文件
hdfs dfs -rm data/* ——删除文件
hdfs dfs -rmdir data ——删除目录
不一一列举

最后补充 spark 的集群启动。其实也是利用的 ssh 无密码登录了。但这个对于 spark 不是必须的，对于 hadoop 则是必须的。所以既然前面 hadoop 安装第 2 步已经做了，这里就省事了。配置各个机器的 /conf/slaves，把 worker 写进去。启动 {spark_dir}/sbin/start-all.sh 即可。
之后通过 web 访问检查一下各集群情况：http://linux-1:8080、http://linux-1:50070、http://linux-1:8088

更多 Spark 相关教程见以下内容：

CentOS 7.0 下安装并配置 Spark http://www.linuxidc.com/Linux/2015-08/122284.htm

Spark1.0.0 部署指南 http://www.linuxidc.com/Linux/2014-07/104304.htm

Spark 官方文档 – 中文翻译 http://www.linuxidc.com/Linux/2016-04/130621.htm

CentOS 6.2(64 位)下安装 Spark0.8.0 详细记录 http://www.linuxidc.com/Linux/2014-06/102583.htm

Spark 简介及其在 Ubuntu 下的安装使用 http://www.linuxidc.com/Linux/2013-08/88606.htm

安装 Spark 集群(在 CentOS 上) http://www.linuxidc.com/Linux/2013-08/88599.htm

Hadoop vs Spark 性能对比 http://www.linuxidc.com/Linux/2013-08/88597.htm

Spark 安装与学习 http://www.linuxidc.com/Linux/2013-08/88596.htm

Spark 并行计算模型 http://www.linuxidc.com/Linux/2012-12/76490.htm

Ubuntu 14.04 LTS 安装 Spark 1.6.0（伪分布式）http://www.linuxidc.com/Linux/2016-03/129068.htm

Spark 的详细介绍��请点这里
Spark 的下载地址：请点这里