从零开始搭建我们的Spark平台
1、准备centeros环境
为了搭建一个真正的的集群环境，并且要做到高可用的架构，我们至少准备三个虚拟机来作为集群节点。因此我购买了三台阿里云的服务器，来作为我们的集群节点。
注意到，master是主节点，而slave顾名思义就是奴隶，自然就是为主节点工作的节点。实际上，在我们这个集群中，master和slave并没有那么明确的区分，因为事实上他们都在“努力地工作”。当然在搭建集群的时候，我们依然要明确这个概念。
2、下载jdk
- 1、下载jdk1.8 tar.gz包
wget https://download.oracle.com/otn-pub/java/jdk/8u201-b09/42970487e3af4f5aa5bca3f542482c60/jdk-8u201-linux-x64.tar.gz- 2、解压
tar -zxvf jdk-8u201-linux-x64.tar.gz解压之后得到
- 3、配置环境变量
修改profile
vi /etc/profile添加如下
export JAVA_HOME=/usr/local/java1.8/jdk1.8.0_201export JRE_HOME=${JAVA_HOME}/jreexport CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/libexport PATH=${JAVA_HOME}/bin:$PATHsource使其生效
source /etc/profile查看是否生效
java -version看到如图内容表示已经成功。
以上操作三台虚拟机一模一样！以上操作三台虚拟机一模一样！以上操作三台虚拟机一模一样！3、安装zookeeper
- 下载zookeeper包
wget https://mirrors.tuna.tsinghua.edu.cn/apache/zookeeper/zookeeper-3.4.13/zookeeper-3.4.13.tar.gz- 解压
tar -zxvf zookeeper-3.4.13.tar.gz- 进入zookeeper配置目录
cd zookeeper-3.4.13/conf- 拷贝配置文件模板
cp zoo_sample.cfg zoo.cfg- 拷贝后修改zoo.cfg内容
dataDir=/home/hadoop/data/zkdatadataLogDir=/home/hadoop/log/zklogserver.1=master:2888:3888server.2=slave1:2888:3888- 配置环境变量
export ZOOKEEPER_HOME=/usr/local/zookeeper/zookeeper-3.4.13export PATH=$PATH:$ZOOKEEPER_HOME/bin- 使环境变量生效
source /etc/profile- 注意到前面配置文件中这句话，配置了数据目录
dataDir=/home/hadoop/data/zkdata- 我们手动创建该目录，并且进入到其中
cd /home/hadoop/data/zkdata/echo 3 > myid- 这里需要特别注意这个
echo 1 > myid- 这是对于这个配置，因此在master中我们echo 1，而对于slave1则是 echo 2，对于slave2则是 echo 3
server.1=master:2888:3888server.2=slave1:2888:3888server.3=slave2:2888:3888- 配置完启动测试
zkServer.sh start- 启动后查看是否启动成功
zkServer.sh status以上操作三台虚拟机都要进行！只有echo 不一样以上操作三台虚拟机都要进行！只有echo 不一样以上操作三台虚拟机都要进行！只有echo 不一样- 在master中启动后查看状态
- 在salve1中启动后查看状态
这里面的Mode是不一样的，这是zookeeper的选举机制，至于该机制如何运行，这里按下不表。后续会有专门说明。 至此，zookeeper集群已经搭建完成
4、安装hadoop
- 1、通过wget下载hadoop-2.7.7.tar.gz
wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-2.7.7/hadoop-2.7.7.tar.gz- 2、下载后解压
解压出一个hadoop-2.7.7目录
tar -zxvf hadoop-2.7.7- 3、配置hadoop环境变量
修改profile
vi /etc/profile- 增加hadoop环境变量
export HADOOP_HOME=/usr/local/hadoop/hadoop-2.7.7export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:- 使环境变量生效
source /etc/profile- 配置完之后，查看是否生效
hadoop version- 进入hadoop-2.7.7/etc/hadoop中
- 编辑core-site.xml
vi core-site.xml - 增加configuration
<configuration> <!-- 指定hdfs的nameservice为myha01 --> <property> <name>fs.defaultFS</name> <value>hdfs://myha01/</value> </property> <!-- 指定hadoop临时目录 --> <property> <name>hadoop.tmp.dir</name> <value>/home/hadoop/data/hadoopdata/</value> </property> <!-- 指定zookeeper地址 --> <property> <name>ha.zookeeper.quorum</name> <value>master:2181,slave1:2181,slave2:2181</value> </property> <!-- hadoop链接zookeeper的超时时长设置 --> <property> <name>ha.zookeeper.session-timeout.ms</name> <value>1000</value> <description>ms</description> </property></configuration>- 拷贝mapred-site.xml.template
cp mapred-site.xml.template mapred-site.xml- 编辑mapred-site.xml
vi mapred-site.xml- 增加如下内容
<configuration> <!-- 指定mr框架为yarn方式 --> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> <!-- 指定mapreduce jobhistory地址 --> <property> <name>mapreduce.jobhistory.address</name> <value>master:10020</value> </property> <!-- 任务历史服务器的web地址 --> <property> <name>mapreduce.jobhistory.webapp.address</name> <value>master:19888</value> </property></configuration>- 编辑hdfs-site.xml
vi hdfs-site.xml - 增加如下内容
<configuration> <!-- 指定副本数 --> <property> <name>dfs.replication</name> <value>1</value> </property> <!-- 配置namenode和datanode的工作目录-数据存储目录 --> <property> <name>dfs.namenode.name.dir</name> <value>/home/hadoop/data/hadoopdata/dfs/name</value> </property> <property> <name>dfs.datanode.data.dir</name> <value>/home/hadoop/data/hadoopdata/dfs/data</value> </property> <!-- 启用webhdfs --> <property> <name>dfs.webhdfs.enabled</name> <value>true</value> </property> <!--指定hdfs的nameservice为myha01，需要和core-site.xml中的保持一致 dfs.ha.namenodes.[nameservice id]为在nameservice中的每一个NameNode设置唯一标示符。 配置一个逗号分隔的NameNode ID列表。这将是被DataNode识别为所有的NameNode。 例如，如果使用"myha01"作为nameservice ID，并且使用"nn1"和"nn2"作为NameNodes标示符 --> <property> <name>dfs.nameservices</name> <value>myha01</value> </property> <!-- myha01下面有两个NameNode，分别是nn1，nn2 --> <property> <name>dfs.ha.namenodes.myha01</name> <value>nn1,nn2</value> </property> <!-- nn1的RPC通信地址 --> <property> <name>dfs.namenode.rpc-address.myha01.nn1</name> <value>master:9000</value> </property>- 编辑yarn-site.xml
vi yarn-site.xml - 增加如下内容
<configuration> <!-- 开启RM高可用 --> <property> <name>yarn.resourcemanager.ha.enabled</name> <value>true</value> </property> <!-- 指定RM的cluster id --> <property> <name>yarn.resourcemanager.cluster-id</name> <value>yrc</value> </property> <!-- 指定RM的名字 --> <property> <name>yarn.resourcemanager.ha.rm-ids</name> <value>rm1,rm2</value> </property> <!-- 分别指定RM的地址 --> <property> <name>yarn.resourcemanager.hostname.rm1</name> <value>slave1</value> </property> <property> <name>yarn.resourcemanager.hostname.rm2</name> <value>slave2</value> </property> <!-- 指定zk集群地址 --> <property> <name>yarn.resourcemanager.zk-address</name> <value>master:2181,slave1:2181,slave2:2181</value> </property> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <property> <name>yarn.log-aggregation-enable</name> <value>true</value> </property> <property> <name>yarn.log-aggregation.retain-seconds</name> <value>86400</value> </property> <!-- 启用自动恢复 --> <property> <name>yarn.resourcemanager.recovery.enabled</name> <value>true</value> </property> <!-- 制定resourcemanager的状态信息存储在zookeeper集群上 --> <property> <name>yarn.resourcemanager.store.class</name> <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value> </property></configuration>- 最后编辑salves
masterslave1slave2以上操作三台虚拟机一模一样！以上操作三台虚拟机一模一样！以上操作三台虚拟机一模一样！- 接着就可以启动hadoop
- 首先在三个节点上启动journalnode，切记三个节点都要操作
hadoop-daemon.sh start journalnode- 操作完成后用jps命令查看，可以看到
- 其中QuorumPeerMain是zookeeper，JournalNode则是我启动的内容
- 接着对主节点的namenode进行格式化
hadoop namenode -format- 注意标红色方框的地方
- 完成格式化后查看/home/hadoop/data/hadoopdata目录下的内容
- 目录中的内容拷贝到slave1上，slave1是我们的备用节点，我们需要他来支撑高可用模式，当master宕机的时候，slave1马上能够顶替其继续工作。
cd..scp -r hadoopdata/ root@slave1:hadoopdata/- 这样就确保了主备节点都保持一样的格式化内容
接着就可以启动hadoop
- 首先在master节点启动HDFS
start-dfs.sh - 接着启动start-yarn.sh ,注意start-yarn.sh需要在slave2中启动
start-yarn.sh - 分别用jps查看三个主机
master
slave1
slave2
- 这里注意到master和slave1都有namenode，实际上只有一个是active状态的，另一个则是standby状态。如何证实呢，我们 在浏览器中输入master:50700,可以访问
- 在浏览器中输入slave1:50700,可以访问
- 另一种方式，是查看我们配置的两个节点
hdfs haadmin -getServiceState nn1hdfs haadmin -getServiceState nn25、spark安装
- 下载spark
wget http://mirrors.shu.edu.cn/apache/spark/spark-2.4.0/spark-2.4.0-bin-hadoop2.7.tgz- 解压
tar -zxvf spark-2.4.0-bin-hadoop2.7.tgz- 进入spark的配置目录
cd spark-2.4.0-bin-hadoop2.7/conf- 拷贝配置文件spark-env.sh.template
cp spark-env.sh.template spark-env.sh编辑spark-env.sh
vi spark-env.sh- 增加内容
export JAVA_HOME=/usr/local/java1.8/jdk1.8.0_201export HADOOP_HOME=/usr/local/hadoop/hadoop-2.7.7export HADOOP_CONF_DIR=/usr/local/hadoop/hadoop-2.7.7/etc/hadoopexport SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=master:2181,slave1:2181,slave2:2181 -Dspark.deploy.zookeeper.dir=/spark"export SPARK_WORKER_MEMORY=300mexport SPARK_WORKER_CORES=1其中java的环境变量、hadoop环境变量请从系统环境变量中拷贝，后面SPARK_WORKER_MEMORY是spark运行的内存，SPARK_WORKER_CORES是spark使用的CPU核数
以上操作三台虚拟机一模一样！以上操作三台虚拟机一模一样！以上操作三台虚拟机一模一样！- 配置系统环境变量
vi /etc/profile- 增加内容
export SPARK_HOME=/usr/local/spark/spark-2.4.0-bin-hadoop2.7export PATH=$PATH:$SPARK_HOME/bin- 拷贝slaves.template 文件
cp slaves.template slaves- 使环境变量生效
source /etc/profile- 编辑slaves
vi slaves- 增加内容
masterslave1slave2- 最后我们启动spark，注意即便配置了spark的环境变量，由于start-all.sh和hadoop的start-all.sh冲突，因此我们必须进入到spark的启动目录下，才能执行启动所有的操作。
- 进入启动目录
cd spark-2.4.0-bin-hadoop2.7/sbin- 执行启动
./start-all.sh - 执行完成后，用jps查看三个节点下的状态
- master：
- slave1：
- slave2：
注意到三个节点都有了spark的worker进程，只有master当中有Master进程。
访问master:8080
至此我们就拥有了正式的spark环境。
6、尝试使用
由于我们已经配置了环境变量，故可以输入spark-shell直接开始。
spark-shell 这里我们就进入了spark-shell.
然后进行编码
val lise = List(1,2,3,4,5)val data = sc.parallelize(lise)data.foreach(println)`
或者我们进入spark-python
pyspark查看sparkContext
