Apache Spark学习：将Spark部署到Hadoop 2.2.0上
需要注意兩點：（1）使用的Hadoop必須是2.0系列，比如0.23.x，2.0.x，2.x.x或CDH4、CDH5等，將Spark運行在Hadoop上，本質上是將Spark運行在Hadoop YARN上，因為Spark自身只提供了作業管理功能，資源調度要依托于第三方系統，比如YARN或Mesos等 （2）之所以不采用Mesos而是YARN，是因為YARN擁有強大的社區支持，且逐步已經成為資源管理系統中的標準。
注意，目前官方已經發布了0.8.1版本，可以直接從這里選擇合適的版本下載，如果你使用的是hadoop 2.2.0或者CDH5，可以直接從這里下載。
將Spark部署到Hadoop 2.2.0上需要經過以下幾步：
步驟1：準備基礎軟件
步驟2：下載編譯spark 0.8.1或者更高版本
步驟3：運行Spark實例
接下來詳細介紹這幾個步驟。
步驟1：準備基礎軟件
（1） 基本軟件
包括linux操作系統、Hadoop 2.2.0或者更高版本、Maven 3.0.4版本（或者最新3.0.x版本），其中，Hadoop 2.2.0只需采用最簡單的方式安裝即可，具體可參考我的這篇文章：Hadoop YARN安裝部署，Maven安裝方法很簡單，可以在http://maven.apache.org/download.cgi上下載binary版本，解壓后，配置MAVEN_HOME和PATH兩個環境變量，具體可自行在網上查找相關方法，比如這篇“Linux下安裝maven”，但需要注意，版本不是3.0.x版，Spark對版本要求很嚴格。
（2）硬件準備
Spark 2.2.0專門搞出來一個yarn-new支持hadoop 2.2.0，因為hadoop 2.2.0的API發生了不兼容變化，需要使用Maven單獨編譯并打包，而編譯過程非常慢（一般機器，2個小時左右），且占用內存較多，因此，你需要一臺滿足以下條件的機器作為編譯機：
條件1：可以聯網：第一次編譯時，maven需要從網上下載大量的jar包，速度比較慢，如果你網絡不行，建議直接放棄編譯。
條件2：內存2GB以上
步驟2：下載編譯spark 0.8.1或者更高版本
可以用git下載或者直接wget或者spark 0.8.1版本
wget https://github.com/apache/incubator-spark/archive/v0.8.1-incubating.zip
注意，0.8.1之前的版本不支持hadoop 2.2.0，從0.8.1版本開始支持。
下載之后，對其解壓：
unzip v0.8.1-incubating
然后進入解壓目錄，輸入以下命令：
cd incubator-spark-0.8.1-incubating
export MAVEN_OPTS=”-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m”
mvn -Dyarn.version=2.2.0 -Dhadoop.version=2.2.0? -Pnew-yarn -DskipTests package
一般需要等待很長時間，編譯完成后，將spark內核打包成一個獨立的jar包，命令如下：
SPARK_HADOOP_VERSION=2.2.0 SPARK_YARN=true ./sbt/sbt assembly
打包完成后，在assembly/target/scala-2.9.3/目錄下會生成兩個jar包，其中一個是spark-assembly-0.8.1-incubating-hadoop2.2.0.jar，examples/target/scala-2.9.3/下面也有一個jar包：spark-examples-assembly-0.8.1-incubating.jar，接下來將重點使用這兩個包。
如果你想把spark作為一個客戶端，放到hadoop集群上，供用戶使用，需要拷貝以下幾個目錄：
conf/
assembly/target/scala-2.9.3/ 只需拷貝jar包
examples/target/scala-2.9.3/只需拷貝jar包
spark-class
注意，需要保證以上目錄的層次結構，即一個目錄下有：
conf目錄、spark-class文件，assembly目錄（內部有target目錄）、examples目錄（內部有target目錄）
一切就緒后，可以編寫一個shell腳本run_spark_shell.sh運行pi計算程序：
#用YARN_CONF_DIR或HADOOP_CONF_DIR指定YARN或者Hadoop配置文件存放目錄
export YARN_CONF_DIR=/opt /yarn/etc/hadoop/
SPARK_JAR=./assembly/target/scala-2.9.3/spark-assembly-0.8.1-incubating-hadoop2.2.0.jar \
./spark-class org.apache.spark.deploy.yarn.Client \
–jar ./assembly/target/scala-2.9.3/spark-examples-assembly-0.8.1-incubating.jar \
–class org.apache.spark.examples.JavaSparkPi \
–args yarn-standalone \
–num-workers 3 \
–master-memory 2g \
–worker-memory 2g \
–worker-cores 1
然后運行該shell腳本：
sh run_spark_shell.sh
可在終端看到以下內容：
以上程序比較簡單，你可以運行一個復雜點的迭代程序，Spark提供了一個圖閉包傳遞算法（Transitive closure），可以通過以下腳本運行(run_spark_tc.sh):
#用YARN_CONF_DIR或HADOOP_CONF_DIR指定YARN或者Hadoop配置文件存放目錄
export YARN_CONF_DIR=/opt /yarn/etc/hadoop/
SPARK_JAR=./assembly/target/scala-2.9.3/spark-assembly-0.8.1-incubating-hadoop2.2.0.jar \
./spark-class org.apache.spark.deploy.yarn.Client \
–jar ./assembly/target/scala-2.9.3/spark-examples-assembly-0.8.1-incubating.jar \
–class org.apache.spark.examples.SparkTC \
–args yarn-standalone \
–num-workers 3 \
–master-memory 2g \
–worker-memory 2g \
–worker-cores 1
運行該腳本后，可在YARN界面上看到運行過程：
如果你使用的CDH4或者2.0.x版本，無需使用maven編譯，直接使用sbt打包即可，具體可參考：Building a YARN-Enabled Assembly JAR。
截止目前，CDH成為第一個宣稱支持Spark的發行版，預計在CDH5版本中將打入Spark，到之后使用Spark更加方便。
另外，如果你只想體驗一下Spark，不想自己編譯打包Spark，可以直接下載我打包好的spark（下載地址：spark-on-hadoop-2.2.0.tar.gz），內置兩個可以直接運行的spark作業（run_spark_pi.sh和run_spark_tc.sh），不過運行前，你需要先配置以下hadoop目錄所在位置，即修改腳本的第一行內容：
export YARN_CONF_DIR=/opt/pgs/yarn/etc/hadoop/
目前0.8.1版本已經發布，官網提供了安裝包下載，下載后可以直接使用，下載鏈接是:spark-hadoop2。
總結
以上是生活随笔為你收集整理的Apache Spark学习：将Spark部署到Hadoop 2.2.0上的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Python+Django+Eclips
- 下一篇： mahout 算法集