Spark大数据平台安装教程

一.Spark介绍

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是开源的类Hadoop MapReduce的通用并行框架，Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

二.安装Spark

环境：Docker(17.04.0-ce)、镜像Ubuntu(16.04.3)、JDK(1.8.0_144)、Hadoop(3.1.0)、Spark(2.3.1)

1.安装Hadoop
参考：Hadoop伪分布式模式安装

2.解压Spark

hadoop@83d389663fd7:~$ tar -xf spark-2.3.1-bin-without-hadoop.tgz

3.重名名conf/spark-env.sh.template为spark-env.sh

hadoop@83d389663fd7:~$ mv spark-2.3.1-bin-without-hadoop/conf/spark-env.sh.template spark-2.3.1-bin-without-hadoop/conf/spark-env.sh

4.编辑conf/spark-env.sh文件，增加如下变量

export JAVA_HOME=/home/hadoop/jdk1.8.0_144
export SPARK_DIST_CLASSPATH=$(/home/hadoop/hadoop-3.1.0/bin/hadoop classpath)
export HADOOP_CONF_DIR=/home/hadoop/hadoop-3.1.0/etc/hadoop
export PYSPARK_PYTHON=/usr/bin/python3.5

三.运行Spark

1.启动Hdfs服务
hadoop@83d389663fd7:~$ hadoop-3.1.0/sbin/start-dfs.sh

2.启动Yarn服务
hadoop@83d389663fd7:~$ hadoop-3.1.0/sbin/start-yarn.sh

3.交互模式运行pyspark
hadoop@83d389663fd7:~$ spark-2.3.1-bin-without-hadoop/bin/pyspark --master yarn --deploy-mode client

4.提交模式运行spark-submit

hadoop@83d389663fd7:~$ spark-2.3.1-bin-without-hadoop/bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client spark-2.3
.1-bin-without-hadoop/examples/jars/spark-examples_2.11-2.3.1.jar

5.浏览器访问http://10.0.0.3:8088

四.启动异常

1.Caused by: java.lang.ClassNotFoundException: org.slf4j.Logger异常

Hadoop和Spark独立安装，Spakr运行需要Hadoop，无SPARK_DIST_CLASSPATH变量，无法关联hadoop
编辑conf/spark-env.sh文件，配置SPARK_DIST_CLASSPATH变量
export SPARK_DIST_CLASSPATH=$(/home/hadoop/hadoop-3.1.0/bin/hadoop classpath)

2.Exception in thread "main" java.lang.Exception: When running with master 'yarn' either HADOOP_CONF_DIR or YARN_CONF_DIR must be set in the environment异常

Hadoop和Spark独立安装，Spakr运行需要Hadoop，无HADOOP_CONF_DIR变量，无法关联YARN
编辑conf/spark-env.sh文件，配置HADOOP_CONF_DIR变量
export HADOOP_CONF_DIR=/home/hadoop/hadoop-3.1.0/etc/hadoop

3.Caused by: java.nio.channels.ClosedChannelException异常

节点上的物理内存与虚拟内存分配不够，Yarn直接杀死进程，需要禁止内存检查
编辑Hadoop中的etc/hadoop/yarn-site.xml文件，添加如下配置

    <property>
        <name>yarn.nodemanager.pmem-check-enabled</name>
        <value>false</value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
    </property>

4.env: 'python': No such file or directory错误

pyspark需要使用python，未配置PYSPARK_PYTHON变量
export PYSPARK_PYTHON=/usr/bin/python3.5