Spark环境搭建

JunLeon——go big or go home

---

目录

Spark环境搭建

目录

Spark环境搭建

一、环境准备

1、软件准备

2、Hadoop集群搭建

3、Anaconda环境搭建

二、Spark Local模式搭建

1、Spark下载、上传和解压

2、配置环境变量

3、配置Spark配置文件

4、测试

5、补充：spark-shell、spark-submit

三、Spark Standone模式搭建

1、Hadoop集群与Spark集群节点规划

2、三台虚拟机分别安装Anaconda3环境

3、配置Spark配置文件

（1）配置spark-env.sh文件

（2）配置spark-defaults.conf文件

（3）配置slaves文件(新版本为workers文件)

（4）配置log4j.properties 文件 [可选配置]

4、将配置好的spark分发到其他两台服务器上

5、启动节点

6、web端访问：

 四、Spark On Yarn模式搭建

---

前言：

        Spark部署模式主要有4种：Local模式（单机模式）、Standalone模式（使用Spark自带的简单集群管理器）、Spark On Yarn模式（使用YARN作为集群管理器）和Spark On Mesos模式（使用Mesos作为集群管理器）。

        本教程做前三种环境搭建的详细讲解。

一、环境准备

1、软件准备

Linux：CentOS-7-x86_64-DVD-1708.iso

Hadoop：hadoop-2.7.3.tar.gz

Java：jdk-8u181-linux-x64.tar.gz

Anaconda：Anaconda3-2021.11-Linux-x86_64.sh

Spark：spark-2.4.0-bin-without-hadoop.tgz

2、Hadoop集群搭建

请查看 大数据学习——Hadoop集群完全分布式的搭建（超详细）_IT路上的军哥的博客-CSDN博客_hadoop完全分布式搭建

注：本教程中使用Hadoop完全分布式集群，主机名分别为spark-master、spark-slave01、spark-slave02

3、Anaconda环境搭建

（1）下载Anaconda3

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

注：如果打不开网页，可以尝试换浏览器打开

（2）上传Anaconda的文件到Linux

上传到指定目录：/opt/software        #没有的话就创建

（3）Anaconda On Linux 安装

在该目录下，执行Anaconda文件

cd /opt/software
sh ./Anaconda3-2021.11-Linux-x86_64.sh

进入以下界面：直接回车即可

接下来 阅读许可条款 ，一直空格

在此处是询问是否同意许可条款，输入 yes

指定 anaconda3 安装路径：

将路径修改为 /opt/anaconda3 目录下 

 此处需要初始化，输入 yes

最后，使用exit退出远程连接工具，重新连接，如果出现以下base字样，说明安装成功！

 注：base是默认的虚拟环境。

以上单台 Anaconda On Linux 环境搭建成功，即可开始安装spark。

（4）配置国内源：

vi  ~/.condarc这个文件，追加以下内容：

注：该文件是一个空文件，直接添加即可

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

 （5）创建pyspark环境

conda create -n pyspark python=3.6  # 基于python3.6创建pyspark虚拟环境
conda activate pyspark      # 激活（切换）到pyspark虚拟环境

注：如果执行 conda create -n pyspark python=3.6 命令下载失败，可能是你的虚拟机不能ping通网络，可以看看ping www.baidu.com是否能够ping通

（6）pip下载pyhive、pyspark、jieba包

在pyspark环境中使用pip下载pyhive、pyspark、jieba包

pip install pyspark==2.4.0 jieba pyhive -i https://pypi.tuna.tsinghua.edu.cn/simple

二、Spark Local模式搭建

Spark Local模式也称单机或者本地模式，仅供测试用。并在spark-master主机进行操作。

1、Spark下载、上传和解压

（1）Spark版本下载

该环境搭建spark使用spark-2.4.0版本

下载地址：Index of /dist/spark/spark-2.4.0

（2）上传Spark压缩包

上传到指定目录：/opt/software

（3）解压上传好的压缩包

cd /opt/software
tar -zxvf spark-2.4.0-bin-without-hadoop.tgz -C /opt
mv spark-2.4.0-bin-without-hadoop/ spark-2.4.0

解压之后进行重命名，重命名为spark-2.4.0

2、配置环境变量

配置Spark由如下5个环境变量需要设置

• SPARK_HOME: 表示Spark安装路径在哪里

• PYSPARK_PYTHON: 表示Spark想运行Python程序, 那么去哪里找python执行器

• JAVA_HOME: 告知Spark Java在哪里

• HADOOP_CONF_DIR: 告知Spark Hadoop的配置文件在哪里

• HADOOP_HOME: 告知Spark  Hadoop安装在哪里

这5个环境变量 都需要配置在: /etc/profile中

# JAVA_HOME
export JAVA_HOME=/opt/jdk1.8.0_181
# HADOOP_HOME
export HADOOP_HOME=/opt/hadoop-2.7.3
# SPARK_HOME
export SPARK_HOME=/opt/spark-2.4.0
# HADOOP_CONF_DIR
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
# PYSPARK_PYTHON
export PYSPARK_PYTHON=/opt/anaconda3/envs/pyspark/bin/python
export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$SPARK_HOME/bin:$PATH

PYSPARK_PYTHON和JAVA_HOME 需要同样配置在: ~/.bashrc中

vi  ~/.bashrc

# 默认启动pyspark虚拟环境
conda activate pyspark

# JAVA_HOME
export JAVA_HOME=/opt/jdk1.8.0_181
# PYSPARK_PYTHON
export PYSPARK_PYTHON=/opt/anaconda3/envs/pyspark/bin/python
export PATH=$JAVA_HOME/bin:$PATH

 配置好环境变量记得使文件生效：

source /etc/profile
source ~/.bashrc

3、配置Spark配置文件

（1）spark-env.sh

cd /opt/spark-2.4.0/conf
cp spark-env.sh.template spark-env.sh

在该文件最后追加以下内容：

export JAVA_HOME=/opt/jdk1.8.0_181
export SPARK_DIST_CLASSPATH=$(/opt/hadoop-2.7.3/bin/hadoop classpath)

4、测试

（1）验证Spark是否安装成功

pyspark

进入pyspark虚拟环境后，输入pyspark后出现spark的logo则说明已成功：

（2）运行Spark自带的Pi实例

run-example SparkPi
run-example SparkPi 2>&1 | grep "Pi is roughly"     # 过滤日志信息

（3）运行WordCount.py文件

在家目录下，创建一个.py文件，添加以下代码：

附：WordCount.py代码

# ~/WordCount.py
if __name__ == '__main__':
  # 导入相关依赖包
  from pyspark import SparkConf, SparkContext
  # 创建SparkConf，创建一个SparkContext对象
  conf = SparkConf().setMaster("local").setAppName("My App")
  sc = SparkContext(conf = conf)
  # 设置文件路径
  logFile = "file:///opt/spark-2.4.0/README.md"
  # 负责读取README.md文件生成RDD
  logData = sc.textFile(logFile, 2).cache()
  # 统计RDD元素中包含字母a和字母b的行数
  numAs = logData.filter(lambda line: 'a' in line).count()
  numBs = logData.filter(lambda line: 'b' in line).count()
  # 打印输出统计结果
  print('Lines with a: %s, Lines with b: %s' % (numAs, numBs))

 执行任务提交：

spark-submit ~/WordCount.py

5、补充：spark-shell、spark-submit

（1）spark-shell

同样是一个解释器环境, 和pyspark不同的是, 这个解释器环境运行的不是python代码, 而是scala程序代码。

scala> sc.parallelize(Array(1,2,3,4,5)).map(x=> x + 1).collect()
res0: Array[Int] = Array(2, 3, 4, 5, 6)

（2）spark-submit

作用: 提交指定的Spark代码到Spark环境中运行

使用方法:

# 语法
bin/spark-submit [可选的一些选项] jar包或者python代码的路径 [代码的参数]
​
# 示例
bin/spark-submit /opt/spark-2.4.0/examples/src/main/python/pi.py 10
# 此案例运行Spark官方所提供的示例代码,来计算圆周率值。后面的10是主函数接受的参数, 数字越高, 计算圆周率越准确。

（3）pyspark、spark-shell、spark-submit对比

功能	bin/spark-submit	bin/pyspark	bin/spark-shell
功能	提交java\scala\python代码到spark中运行	提供一个python
解释器环境用来以python代码执行spark程序	提供一个scala
解释器环境用来以scala代码执行spark程序
特点	提交代码用	解释器环境 写一行执行一行	解释器环境 写一行执行一行
使用场景	正式场合, 正式提交spark程序运行	测试\学习\写一行执行一行\用来验证代码等	测试\学习\写一行执行一行\用来验证代码等

三、Spark StandAlone模式搭建

1、Hadoop集群与Spark集群节点规划

（1）集群主机名、IP规划

主机名	IP地址	节点类型
spark-master	192.168.83.100	Master
spark-slave01	192.168.83.101	Slave
spark-slave02	192.168.83.102	Slave

（2）节点规划

节点进程	spark-master	spark-slave01	spark-slave02
NameNode	✔
Secondary NameNode		✔
DataNode	✔	✔	✔
ResourceManager	✔
NodeManager	✔	✔	✔
JobHistoryServer（YARN）			✔
Master	✔
Worker	✔	✔	✔
HistoryServer（Spark）			✔

注：

JobHistoryServer：YARN资源管理器的历史服务器，将YARN运行的程序的历史日志记录下来，通过历史服务器方便用户查看程序运行的历史信息。

HistoryServer：Spark的历史服务器，将Spark运行的程序的历史日志记录下来， 通过历史服务器方便用户查看程序运行的历史信息。

2、三台虚拟机分别安装Anaconda3环境

此Anaconda环境搭建参考以上 环境准备中的第3点。也可以从第一台分发到另外两台：

scp -r /opt/anaconda3 root@spark-slava01:/opt
scp -r /opt/anaconda3 root@spark-slava02:/opt

3、配置Spark配置文件

可以在spark-master主机操作，最后再进行分发。

注：Spark安装路径为：/opt/spark-2.4.0

spark配置文件路径为：/opt/spark-2.4.0/conf

cd /opt/spark-2.4.0/conf

（1）配置spark-env.sh文件

# 1. 改名
mv spark-env.sh.template spark-env.sh
# 2. 编辑spark-env.sh, 在底部追加如下内容
vi spark-env.sh

在spark-env.sh文件底部追加以下内容

## 设置JAVA安装目录
export JAVA_HOME=/opt/jdk1.8.0_181
## 设置hadoop命令路径
export SPARK_DIST_CLASSPATH=$(/opt/hadoop-2.7.3/bin/hadoop classpath)
## 以上两行在local模式中已经添加，如果有请勿重复配置
## HADOOP软件配置文件目录，读取HDFS上文件和运行YARN集群
HADOOP_CONF_DIR=/opt/hadoop-2.7.3/etc/hadoop
YARN_CONF_DIR=/opt/hadoop-2.7.3/etc/hadoop
## 指定spark老大Master的IP和提交任务的通信端口
# 告知Spark的master运行在哪个机器上
export SPARK_MASTER_HOST=spark-master
# 告知sparkmaster的通讯端口
export SPARK_MASTER_PORT=7077
# 告知spark master的webui端口
SPARK_MASTER_WEBUI_PORT=8080
# worker cpu可用核数
SPARK_WORKER_CORES=1
# worker可用内存
SPARK_WORKER_MEMORY=1g
# worker的工作通讯地址
SPARK_WORKER_PORT=7078
# worker的webui地址
SPARK_WORKER_WEBUI_PORT=8081
## 设置历史服务器
# 配置的意思是  将spark程序运行的历史日志 存到hdfs的/sparklog文件夹中
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://spark-master:9000/sparklog/ -Dspark.history.fs.cleaner.enabled=true"

（2）配置spark-defaults.conf文件

# 1. 改名

mv spark-defaults.conf.template spark-defaults.conf

vi spark-defaults.conf
# 2. 修改内容, 追加如下内容

# 开启spark的日期记录功能
spark.eventLog.enabled  true
# 设置spark日志记录的路径
spark.eventLog.dir   hdfs://spark-master:9000/sparklog/ 
# 设置spark日志是否启动压缩
spark.eventLog.compress  true

（3）配置slaves文件(新版本为workers文件)

# 改名, 去掉后面的.template后缀

mv slaves.template slaves

# 编辑worker文件
vi slaves
# 将文件里面最后一行的localhost删除

追加从节点worker运行的服务器，配置三台主机名

spark-master
spark-slave01
spark-slave02

（4）配置log4j.properties 文件 [可选配置]

# 1. 改名

mv log4j.properties.template log4j.properties

# 2. 修改内容 参考下图

vi log4j.properties

定位到19行：将INFO修改为WARN

4、将配置好的spark分发到其他两台服务器上

将在spark-master主机上配置好的spark分发到另外两台服务器上：

scp -r /opt/spark-2.4.0/ root@spark-slave01:/opt/
scp -r /opt/spark-2.4.0/ root@spark-slave02:/opt/

将主机的/etc/profile文件和~/.bashrc文件也同时分发到另外两台：

scp /etc/profile root@spark-slave01:/etc/
scp /etc/profile root@spark-slave02:/etc/
scp ~/.bashrc root@spark-slave01:~/
scp ~/.bashrc root@spark-slave02:~/

 分发过去之后需要分别在两台使配置文件生效：

source /etc/profile
source ~/.bashrc

5、启动节点

1）启动Hadoop集群

start-all.sh    # 只在spark-master主机上执行

2）启动spark集群

cd /opt/spark-2.4.0/sbin
./start-all.sh

开启全部节点后，如图所示：

6、web端访问：

web端访问需要关闭防火墙：

systemctl stop firewalld

1）访问HDFS

192.168.83.100:50070    # IP:端口号

2）访问YARN

192.168.83.100:8088 # IP:端口号

3）访问Spark

192.168.83.100:8080 # IP:端口号

如图所示说明成功：

 四、Spark On Yarn模式搭建