Spark入门实战系列–2.Spark编译与部署(下)–Spark编译安装详解大数据

【注】该系列文章以及使用到安装包/测试数据 可以在《倾情大奉送–Spark入门实战系列》获取

1编译Spark

Spark可以通过SBTMaven两种方式进行编译,再通过make-distribution.sh脚本生成部署包。SBT编译需要安装git工具,而Maven安装则需要maven工具,两种方式均需要在联网下进行,通过比较发现SBT编译速度较慢(原因有可能是1、时间不一样,SBT是白天编译,Maven是深夜进行的,获取依赖包速度不同 2maven下载大文件是多线程进行,而SBT是单进程),Maven编译成功前后花了34个小时。

1.1 编译SparkSBT

1.1.1 安装git并编译安装

1.  从如下地址下载git安装包

http://www.onlinedown.net/softdown/169333_2.htm

https://www.kernel.org/pub/software/scm/git/

如果linuxCentOS操作系统可以通过:yum install git直接进行安装

clip_image002

由于从https获取内容,需要安装curl-devel,可以从如下地址获取

http://rpmfind.net/linux/rpm2html/search.php?query=curl-devel

如果linuxCentOS操作系统可以通过:yum install curl-devel直接进行安装

clip_image004

2. 上传git并解压缩

git-1.7.6.tar.gz安装包上传到/home/hadoop/upload目录中,解压缩然后放到/app目录下

$cd /home/hadoop/upload/

$tar -xzf git-1.7.6.tar.gz

$mv git-1.7.6 /app

$ll /app

clip_image006

3. 编译安装git

root用户进行在git所在路径编译安装git

#yum install curl-devel

#cd /app/git-1.7.6 

#./configure

#make

#make install

clip_image008

clip_image010

clip_image012

clip_image014

4. git加入到PATH路径中

打开/etc/profilegit所在路径加入到PATH参数中

export GIT_HOME=/app/git-1.7.6

export PATH=$PATH:$JAVA_HOME/bin:$MAVEN_HOME/bin:$GIT_HOME/bin

clip_image016

重新登录或者使用source /etc/profile使参数生效,然后使用git命令查看配置是否正确

clip_image018

1.1.2 下载Spark源代码并上传

1. 可以从如下地址下载到spark源代码:

http://spark.apache.org/downloads.html

http://d3kbcqa49mib13.cloudfront.net/spark-1.1.0.tgz

git clone https://github.com/apache/spark.git

把下载好的spark-1.1.0.tgz源代码包使用1.1.3.1介绍的工具上传到/home/hadoop/upload 目录下

clip_image020

2. 在主节点上解压缩

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0.tgz

clip_image022

3. spark-1.1.0改名并移动到/app/complied目录下

$mv spark-1.1.0 /app/complied/spark-1.1.0-sbt

$ls /app/complied

clip_image024

1.1.3 编译代码

编译spark源代码的时候,需要从网上下载依赖包,所以整个编译过程机器必须保证在联网状态。编译执行如下脚本:

$cd /app/complied/spark-1.1.0-sbt

$sbt/sbt assembly -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Pkinesis-asl -Phive

clip_image026

clip_image028

clip_image030

整个编译过程编译了约十几个任务,重新编译N次,需要几个甚至十几个小时才能编译完成(主要看下载依赖包的速度)。

1.2 编译SparkMaven

1.2.1 安装Maven并配置参数

在编译前最好安装3.0以上版本的Maven,在/etc/profile配置文件中加入如下设置:

export MAVEN_HOME=/app/apache-maven-3.0.5

export PATH=$PATH:$JAVA_HOME/bin:$MAVEN_HOME/bin:$GIT_HOME/bin

clip_image032

1.2.2 下载Spark源代码并上传

1. 可以从如下地址下载到spark源代码:

http://spark.apache.org/downloads.html

http://d3kbcqa49mib13.cloudfront.net/spark-1.1.0.tgz

git clone https://github.com/apache/spark.git

把下载好的spark-1.1.0.tgz源代码包使用1.1.3.1介绍的工具上传到/home/hadoop/upload 目录下

clip_image020[1]

2. 在主节点上解压缩

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0.tgz

clip_image022[1]

3. spark-1.1.0改名并移动到/app/complied目录下

$mv spark-1.1.0 /app/complied/spark-1.1.0-mvn

$ls /app/complied

clip_image034

1.2.3 编译代码

编译spark源代码的时候,需要从网上下载依赖包,所以整个编译过程机器必须保证在联网状态。编译执行如下脚本:

$cd /app/complied/spark-1.1.0-mvn

$export MAVEN_OPTS=”-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m”

$mvn -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Pkinesis-asl -Phive -DskipTests clean package

clip_image036

整个编译过程编译了约24个任务,整个过程耗时1小时45分钟。

clip_image038

1.3 生成Spark部署包

Spark源码根目录下有一个生成部署包的脚本make-distribution.sh,可以通过执行如下命令进行打包 ./make-distribution.sh [–name] [–tgz] [–with-tachyon] <maven build options>

l  –name NAME–tgz 结合可以生成spark-$VERSION-bin-$NAME.tgz 的部署包,不加此参数时NAME hadoop 的版本号

l  –tgz在根目录下生成 spark-$VERSION-bin.tgz ,不加此参数时不生成tgz 文件,只生成/dist 目录

l  –with-tachyon  是否支持内存文件系统Tachyon ,不加此参数时不支持tachyon

clip_image040

例子:

1. 生成支持yarn hadoop2.2.0 hive 的部署包:

./make-distribution.sh –tgz –name 2.2.0 -Pyarn -Phadoop-2.2 -Phive

2. 生成支持yarn hadoop2.2.0 hive ganglia 的部署包:

./make-distribution.sh –tgz –name 2.2.0 -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -P hive

1.3.1 生成部署包

使用如下命令生成Spark部署包,由于该脚本默认在JDK1.6进行,在开始时会进行询问是否继续,只要选择Y即可

$cd /app/complied/spark-1.1.0-mvn/

$./make-distribution.sh –tgz –name 2.2.0 -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -P hive

clip_image042

clip_image044

 

clip_image046

生成Spark部署包编译了约24个任务,用时大概1小时38分钟。

 

1.3.2 查看生成结果

生成在部署包位于根目录下,文件名类似于spark-1.1.0-bin-2.2.0.tgz

clip_image048

2安装Spark

2.1 上传并解压Spark安装包

1.我们使用上一步骤编译好的spark-1.1.0-bin-2.2.0.tgz文件作为安装包(也可以从网上下载native文件夹或者打包好的64hadoop安装包),使用Spark编译与部署(上)1. 3.1介绍的工具上传到/home/hadoop/upload 目录下

clip_image050

2. 在主节点上解压缩

$cd /home/hadoop/upload/

$tar -xzf spark-1.1.0-bin-2.2.0.tgz

clip_image052

3. spark改名并移动到/app/hadoop目录下

$mv spark-1.1.0-bin-2.2.0 /app/hadoop/spark-1.1.0

$ll /app/hadoop

clip_image054

2.2 配置/etc/profile

1. 打开配置文件/etc/profile

$sudo vi /etc/profile

2.     定义SPARK_HOME并把spark路径加入到PATH参数中

SPARK_HOME=/app/hadoop/spark-1.1.0

PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

2.3 配置conf/slaves

1. 打开配置文件conf/slaves

$cd /app/hadoop/spark-1.1.0/conf

$sudo vi slaves

clip_image056

2. 加入slave配置节点

hadoop1

hadoop2

hadoop3

clip_image058

2.4 配置conf/spark-env.sh

1. 打开配置文件conf/spark-env.sh

$cd /app/hadoop/spark-1.1.0/conf

$cp spark-env.sh.template spark-env.sh

$sudo vi spark-env.sh

clip_image060

2. 加入Spark环境配置内容,设置hadoop1Master节点

export SPARK_MASTER_IP=hadoop1

export SPARK_MASTER_PORT=7077

export SPARK_WORKER_CORES=1

export SPARK_WORKER_INSTANCES=1

export SPARK_WORKER_MEMORY=512M

clip_image062

2.5 向各节点分发Spark程序

1. 进入hadoop1机器/app/hadoop目录,使用如下命令把spark文件夹复制到hadoop2hadoop3机器

$cd /app/hadoop

$scp -r spark-1.1.0 [email protected]:/app/hadoop/

$scp -r spark-1.1.0 [email protected]:/app/hadoop/

clip_image064

clip_image066

2. 在从节点查看是否复制成功

clip_image068

2.6 启动Spark

$cd /app/hadoop/spark-1.1.0/sbin

$./start-all.sh

clip_image070

2.7 验证启动

此时在hadoop1上面运行的进程有:WorkerMaster

clip_image072

此时在hadoop2hadoop3上面运行的进程有只有Worker

 clip_image074

通过 netstat -nlt 命令查看hadoop1节点网络情况

clip_image076

在浏览器中输入 http://hadoop1:8080(需要注意的是要在网络设置中把hadoop*除外,否则会到外网DNS解析,出现无法访问的情况) 既可以进入Spark集群状态页面

clip_image078

2.8 验证客户端连接

进入hadoop1节点,进入sparkbin目录,使用spark-shell连接集群

$cd /app/hadoop/spark-1.1.0/bin

$spark-shell –master spark://hadoop1:7077 –executor-memory 500m

clip_image080

在命令中只指定了内存大小并没有指定核数,所以该客户端将占用该集群所有核并在每个节点分配500M内存

clip_image082

clip_image084

3Spark测试

3.1 使用Spark-shell测试

这里我们测试一下在Hadoop中大家都知道的WordCout程序,在MapReduce实现WordCout需要MapReduceJob三个部分,而在Spark中甚至一行就能够搞定。下面就看一下是如何实现的:

3.1.1 启动HDFS

$cd /app/hadoop/hadoop-2.2.0/sbin

$./start-dfs.sh

clip_image086

通过jps观察启动情况,在hadoop1上面运行的进程有:NameNodeSecondaryNameNodeDataNode

clip_image088

hadoop2hadoop3上面运行的进程有:NameNodeDataNode

clip_image090

3.1.2 上传数据到HDFS

hadoop配置文件core-site.xml文件作为测试文件上传到HDFS

$hadoop fs -mkdir -p /user/hadoop/testdata

$hadoop fs -put /app/hadoop/hadoop-2.2.0/etc/hadoop/core-site.xml /user/hadoop/testdata

clip_image092

3.1.3 启动Spark

$cd /app/hadoop/spark-1.1.0/sbin

$./start-all.sh

clip_image094

3.1.4 启动Spark-shell

spark客户端(这里在hadoop1节点),使用spark-shell连接集群

$cd /app/hadoop/spark-1.1.0/bin

$./spark-shell –master spark://hadoop1:7077 –executor-memory 512m –driver-memory 500m

clip_image096

3.1.5 运行WordCount脚本

下面就是WordCount的执行脚本,该脚本是scala编写,以下为一行实现:

scala>sc.textFile(“hdfs://hadoop1:9000/user/hadoop/testdata/core-site.xml”).flatMap(_.split(” “)).map(x=>(x,1)).reduceByKey(_+_).map(x=>(x._2,x._1)).sortByKey(false).map(x=>(x._2,x._1)).take(10)

为了更好看到实现过程,下面将逐行进行实现:

scala>val rdd=sc.textFile(“hdfs://hadoop1:9000/user/hadoop/testdata/core-site.xml”)

scala>rdd.cache()

scala>val wordcount=rdd.flatMap(_.split(” “)).map(x=>(x,1)).reduceByKey(_+_)

scala>wordcount.take(10)

scala>val wordsort=wordcount.map(x=>(x._2,x._1)).sortByKey(false).map(x=>(x._2,x._1))

scala>wordsort.take(10)

clip_image098

clip_image100

clip_image102

clip_image104

词频统计结果如下:

Array[(String, Int)] = Array((“”,100), (the,7), (</property>,6), (<property>,6), (under,3), (in,3), (License,3), (this,2), (–>,2), (file.,2))

3.1.6 观察运行情况

通过http://hadoop1:8080查看Spark运行情况,可以看到Spark3个节点,每个节点各为1个内核/512M内存,客户端分配3个核,每个核有512M内存。

clip_image106

通过点击客户端运行任务ID,可以看到该任务在hadoop2hadoop3节点上运行,在hadoop1上并没有运行,主要是由于hadoop1NameNodeSpark客户端造成内存占用过大造成

clip_image108

3.2 使用Spark-submit测试

Spark1.0.0开始,Spark提供了一个易用的应用程序部署工具bin/spark-submit,可以完成Spark应用程序在localStandaloneYARNMesos上的快捷部署。该工具语法及参数说明如下:

Usage: spark-submit [options] <app jar | python file> [app options]

Options:

  –master MASTER_URL          spark://host:port, mesos://host:port, yarn, or local.

  –deploy-mode DEPLOY_MODE  driver运行之处,client运行在本机,cluster运行在集群

  –class CLASS_NAME            应用程序包的要运行的class

  –name NAME                  应用程序名称

  –jars JARS                     用逗号隔开的driver本地jar包列表以及executor类路径

  –py-files PY_FILES              用逗号隔开的放置在Python应用程序

PYTHONPATH上的.zip, .egg, .py文件列表

  –files FILES                    用逗号隔开的要放置在每个executor工作目录的文件列表

  –properties-file FILE           设置应用程序属性的文件放置位置,默认是conf/spark-defaults.conf

  –driver-memory MEM         driver内存大小,默认512M

  –driver-java-options           driverjava选项

  –driver-library-path            driver的库路径Extra library path entries to pass to the driver

  –driver-class-path             driver的类路径,用–jars 添加的jar包会自动包含在类路径里

  –executor-memory MEM       executor内存大小,默认1G

 

 Spark standalone with cluster deploy mode only:

  –driver-cores NUM           driver使用内核数,默认为1

  –supervise                   如果设置了该参数,driver失败是会重启

 

 Spark standalone and Mesos only:

  –total-executor-cores NUM    executor使用的总核数

 

 YARN-only:

  –executor-cores NUM         每个executor使用的内核数,默认为1

  –queue QUEUE_NAME        提交应用程序给哪个YARN的队列,默认是default队列

  –num-executors NUM        启动的executor数量,默认是2

  –archives ARCHIVES          被每个executor提取到工作目录的档案列表,用逗号隔开

3.2.1 运行脚本1

该脚本为Spark自带例子,在该例子中个计算了圆周率π的值,以下为执行脚本:

$cd /app/hadoop/spark-1.1.0/bin

$./spark-submit –master spark://hadoop1:7077 –class org.apache.spark.examples.SparkPi –executor-memory 512m ../lib/spark-examples-1.1.0-hadoop2.2.0.jar 200

参数说明(详细可以参考上面的参数说明):

l  –master Master所在地址,可以有MesosSparkYARNLocal四种,在这里为Spark Standalone集群,地址为spark://hadoop1:7077

l  –class应用程序调用的类名,这里为org.apache.spark.examples.SparkPi

l  –executor-memory 每个executor所分配的内存大小,这里为512M

l  执行jar这里是../lib/spark-examples-1.1.0-hadoop2.2.0.jar

l  分片数目 这里数目为200

clip_image110

clip_image112

3.2.2 观察运行情况

通过观察Spark集群有3Worker节点和正在运行的1个应用程序,每个Worker节点为1内核/512M内存。由于没有指定应用程序所占内核数目,则该应用程序占用该集群所有3个内核,并且每个节点分配512M内存。

clip_image114

根据每个节点负载情况,每个节点运行executor并不相同,其中hadoop1executor数目为0。而hadoop3执行executor数为10个,其中5EXITED状态,5KILLED状态。

clip_image116

3.2.3 运行脚本2

该脚本为Spark自带例子,在该例子中个计算了圆周率π的值,区别脚本1这里指定了每个executor内核数据,以下为执行脚本:

$cd /app/hadoop/spark-1.1.0/bin

$./spark-submit –master spark://hadoop1:7077 –class org.apache.spark.examples.SparkPi –executor-memory 512m –total-executor-cores 2 ../lib/spark-examples-1.1.0-hadoop2.2.0.jar 200

参数说明(详细可以参考上面的参数说明):

l  –master Master所在地址,可以有MesosSparkYARNLocal四种,在这里为Spark Standalone集群,地址为spark://hadoop1:7077

l  –class应用程序调用的类名,这里为org.apache.spark.examples.SparkPi

l  –executor-memory 每个executor所分配的内存大小,这里为512M

l  –total-executor-cores 2 每个executor分配的内核数

l  执行jar这里是../lib/spark-examples-1.1.0-hadoop2.2.0.jar

l  分片数目 这里数目为200

 

3.2.4 观察运行情况

通过观察Spark集群有3Worker节点和正在运行的1个应用程序,每个Worker节点为1内核/512M内存。由于指定应用程序所占内核数目为2,则该应用程序使用该集群所有2个内核。

clip_image118

clip_image120

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/8583.html

(0)
上一篇 2021年7月19日
下一篇 2021年7月19日

相关推荐

发表回复

登录后才能评论