Apache Spark1.1.0部署与开发环境搭建 - Mark Lin

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/lib
2 cd /usr/lib
3 sudo tar -xvzf jdk-7u67-linux-x64.gz
4 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_67
2 export JRE_HOME=/usr/lib/jdk1.7.0_67/jre
3 export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
4 export CLASSPATH=.:$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 update
2 sudo apt-get install openssh-server
3 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-2.4.0
2 export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
3
4 export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
5 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/hadoop
2 sudo gedit hadoop-env.sh
3 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.xml
2 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 /app
2 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/local
2 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-2.9.3
2 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/local
2 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-hadoop2.4
2 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.sh
2 sudo gedit spark-env.sh

在spark-env.sh中添加：

1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export JAVA_HOME=/usr/lib/jdk1.7.0_67
3 export SPARK_MASTER_IP=localhost
4 export SPARK_WORKER_MEMORY=1000m

启动Spark：

1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 sbin/start-all.sh

测试Spark是否安装成功：

1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 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: [b]在Spark集群上运行jar包，重复提示“Connecting to master spark”：[/b]



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。