Spark2.0.1 on yarn with hue 集群搭建部署（二）spark on yarn搭建

spark on yarn搭建

一、hadoop集群搭建

1. 解压

如未指出，以下用户均以hadoop用户运行命令

cd /data/softtar –xvzf hadoop-2.6.5.tar.gz –C /bigdatamv hadoop-2.6.5 hadoop

2. 修改配置 hadoop-env.sh文件

cd /bigdata/hadoop/etc/hadoopvim hadoop-env.sh

修改：

export JAVA_HOME=${JAVA_HOME}

为：

export JAVA_HOME=/bigdata/jdk

保存退出。

3. 修改配置文件core-site.xml

vim core-site.xml

添加如下：

<property>        <name>fs.defaultFS</name>        <value>hdfs://bigdata1:8020</value></property><property>        <name>hadoop.tmp.dir</name>        <value>/bigdata/hadoop/storage/tmp/${user.name}</value></property>

4. 修改hdfs-site.xml文件

vim hdfs-site.xml

添加内容如下：

<property>   <name>dfs.namenode.name.dir</name>   <value>/bigdata/hadoop/storage/name/${user.name},/data/dfs-storage/name/${user.name}</value></property><property>   <name>dfs.datanode.data.dir</name>   <value>/bigdata/hadoop/storage/data/${user.name}</value></property><property>   <name>dfs.replication</name>   <value>2</value></property><property>   <name>dfs.secondary.http.address</name>   <value>bigdata1:50090</value></property><property>   <name>dfs.namenode.http-address</name>   <value>bigdata1:50070</value></property>

如果你的服务器挂载了两块硬盘可以设置两个路径，以逗号隔开，这样namenode的数据将保存两份，如果其中一份硬盘坏了，便可使用备份的数据进行恢复。

5. 修改mapred-site.xml 文件

mv mapred-site.xml.template mapred-site.xmlvim mapred-site.xml

修改内容如下：

<property>   <name>mapreduce.framework.name</name>   <value>yarn</value></property>

6. 修改yarn-site.xml文件

vim yarn-site.xml

添加内容如下：

<property>  <name>yarn.resourcemanager.hostname</name>  <value>bigdata1</value></property><property>  <name>yarn.nodemanager.aux-services</name>  <value>mapreduce_shuffle</value></property>

7. 修改salves文件

vim salves

添加内容如下：

bigdata2bigdata3bigdata4

8. 修改日志存储路径

vim $HADOOP_HOME/etc/hadoop

修改HADOOP_LOG_DIR为：

export HADOOP_LOG_DIR=/data/logs/hadoop

9. 复制节点

将hadoop-2.6.5文件夹复制到bigdata2、bigdata3、bigdata4节点中去

cd /bigdatascp –r hadoop hadoop@bigdata2:$PWDscp –r hadoop hadoop@bigdata3:$PWDscp –r hadoop hadoop@bigdata4:$PWD

10. 设置环境变量

在bigdata1服务器执行如下命令：

sudo vim /etc/profile

添加如下内容：

export HADOOP_HOME=/bigdata/hadoopexport PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

11. 格式化namenode

hadoop namenode -format

12. 验证

1）、验证hdfs
在bigdata1启动hdfs，输入命令：

start-dfs.sh

然后输入：

jps

在bigdata2、bigdata3、bigdata4输入命令：

jps

测试文件上传：

cd ~vim test

输入一些单词，以空格隔开。保存上传至hdfs中。

hadoop fs –put test /hadoop fs –ls /

2）、验证yarn
在bigdata1启动yarn，使用命令：

start-yarn.sh

出入jps命令查看进程：

在bigdata2、bigdata3、bigdata4输入jps命令可查看到：

3）、mapreduce测试

cd $HADOOP_HOMEhadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar wordcount /test /testout

二、scala安装

1. 版本说明

由于livy仅支持scala2.10版本编译的spark，所以scala版本选择为scala2.10.6。

2. 解压

cd /date/softtar -xvf scala-2.10.6.tgz -C /bigdatamv scala-2.10.6 scala

3. 配置环境变量

sudo vim /etc/profile

文件末尾添加：

export SCALA_HOME=/bigdata/scalaexport PATH=$PATH:$SCALA_HOME/bin

保存退出。
4. 验证

source /etc/profilescala

三、 安装Apache-Maven

1. 解压maven

cd /data/soft   tar -xvzf apache-maven-3.3.9-bin.tar.gz -C /bigdatamv apache-maven-3.3.9 maven

2. 设置环境变量

sudo vim /etc/profile

在文件末尾添加：

export MAVEN_HOME=/bigdata/mavenexport PATH=$PATH:$MAVEN_HOME/bin

保存退出。

3. 验证

source /etc/profilemvn –version

显示如下内容：
Apache Maven 3.3.9 (bb52d8502b132ec0a5a3f4c09453c07478323dc5; 2015-11-11T00:41:47+08:00)
Maven home: /bigdata/maven
Java version: 1.7.0_79, vendor: Oracle Corporation
Java home: /bigdata/jdk/jre
Default locale: en_US, platform encoding: UTF-8
OS name: “linux”, version: “3.10.0-327.el7.x86_64”, arch: “amd64”, family: “unix”

四、 spark on yarn编译安装

1. 编译说明

livy目前版本只支持scala2.10编译的spark版本，且spark2.0以后仅提供基于scala2.11的预编译版本，所以需基于scala2.10手动编译spark2.0.1，所以采用可联通外网的linux服务器进行编译spark，不过目前github主干上的livy已经支持scala2.11编译的spark了。

2. 环境准备

maven3.3.9
jdk1.7+

3. 解压spark

上传至本地可联网服务器/home/hadoop目录解压：

cd /data/softtar -xvzf spark-2.0.1.tgz -C /bigdatamv /bigdata/spark-2.0.1 /bigdata/spark

4. 编译

1）、设置maven编译内存：

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

注：如果不设置编译过程导致内存溢出。

2）、设置编译scala的版本

cd /bigdata/spark./dev/change-version-to-2.10.sh

注：该命令将所有pom.xml文件的中scala版本依赖改成2.10版本，相应的也有change-version-to-2.11.sh的文件，该文件将所有的scala依赖更改为2.11版本。如果编译前不执行该命令，编译出错，错误如下：

3）、设置json4s的jar包版本

cd /bigdata/sparkvim pom.xml

搜索：/json4s

修改前：

修改后：

注：
当spark整合livy的时候，如果不修改json4s的版本的话，由于使用默认的版本为3.2.11，导致整合失败，因此在编译过程中需要更改该jar包的版本号为3.2.10。如果使用3.2.11版本，livy整合spark错误信息如下：

4）、编译：

编译有两种方式。
方式一：

cd /bigdata/sparkmvn -Psparkr -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.5 -Phive -Phive-thriftserver -Dscala-2.10 -DskipTests clean package

直接在spark目录下进行编译，这样导致的编译后的文件和源码全都在同一个包内，且编译后的jar包全部存放在各个子项目的target文件夹下，不推荐使用。

方式二：
执行spark自带的编译脚本

cd /bigdata/spark./dev/make-distribution.sh --name custom-spark --tgz -Psparkr -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.5 -Phive -Phive-thriftserver -Dscala-2.10 -DskipTests

编译结果将在编译目录下生成可分布部署的压缩包：
spark-2.0.1-bin-custom-spark.tgz
建议使用方式二进行编译。

编译参数说明：

编译参数 参数说明 -Psparkr： 支持sparkR -Pyarn: 支持yarn -Phadoop-2.6 支持hadoop版本 -Phadoop.version=2.6.5 支持hadoop的具体版本 -Phive 支持hive -Phive-thriftserver 支持thriftserver发布sparksql server -Dscala-2.10 基于scala编译版本 -DskipTests 编译过程忽略测试类

至此spark编译成功。
注：编译过程常常因为网络原因导致编译失败，只要重新运行编译代码即可，耐心等待，总会成功。

5. 无法联网环境编译spark

可以在联网的环境下编译成功spark，如果采用方式二编译的spark，可以将该分布式部署包上传到不可联网的环境下进行部署。如果为了追求最佳性能，希望能在无法联网的环境下也编译成功spark，可以进行如下操作：
1）、将编译成功spark的linux环境下的maven本地仓库打包

vim $MAVEN_HOME/conf/settings.xml

查看本地仓库的位置。此处的设置为：/home/hadoop/.m2/repository

cd /home/hadoop/.m2/repositorytar –xvcf repository.spark.tar.gz repository

2）、上传至不可联网的集群服务器

a、如果本地服务器能够联通集群服务器，直接使用如下命令：

scp repository.spark.tar.gz 用户名@主机名或ip:存放路径

b、如果无法联通，可以借助secureCRT工具，从本地linux环境将相应的软件包下载至可联通集群服务器器bigdata1的系统环境中，然后借助secureCRT工具上传至集群服务器。
c、如果未安装secureCRT工具，可以使用ftp服务器进行进行拉取。首先在本地linux服务器安装ftpd服务，具体安装步骤请自行查阅资料。
本次使用方法a直接上传至集群服务器。
3）、覆盖maven仓库
查看集群maven仓库

vim $MAVEN_HOME/conf/settings.xml

未设置，未默认存储路径: $HOME/.m2/repository
将上传的到集群服务器的repository.tar.gz解压到该目录并覆盖repository:

cd $HOME/.m2tar -xvzf /data/soft/repository.spark.tar.gz –C .find ~/.m2/repository -name _remote.repositories |xargs rm –rf

注：如果不执行find ~/.m2/repository -name _remote.repositories |xargs rm –rf该命令直接进行编译，maven依旧会从远程服务器更新版本，而无法编译。主要是因为maven的repository中的每个jar包所在目录都会存在一个这样的文件：_maven.repositories。这个文件存放着原始repository的相关信息，由于移动了repository仓库，编译过程中，maven发现原始记录的repository信息与实际不一致，便会试着去更新相关的pom文件。因此执行该命令，删除所有的_maven.repositories文件，便可阻止maven更新。

4）、集群编译

cd /bigdata/tar -xvf /date/soft/spark-2.0.1.tar -C .mv spark-2.0.1 sparkcd spark

编译前的设置参照前文设置。

执行mvn命令进行编译。使用./dev/make-distribution.sh该脚本编译始终要下载些文件，导致无法编译，可能还需要拷贝maven的什么设置才行，具体没有研究。

mvn -Psparkr -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.5 -Phive -Phive-thriftserver -Dscala-2.10 -DskipTests clean package

6. 配置spark-env.conf

cd /bigdata/spark/confmv spark-env.sh.template spark-env.shvim spark-env.sh

文件末尾添加如下内容：

export JAVA_HOME=/bigdata/jdkexport SCALA_HOME=/bigdata/scalaexport HADOOP_HOME=/bigdata/hadoop

如果/etc/profile设置了也可以跳过此步骤

7. 修改日志存储路径

vim spark-env.sh

添加以下内容：

export SPARK_LOG_DIR=/data/logs/spark

8. 配置/etc/profile

sudo vim /etc/profile

文件末尾添加以下内容：

export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/nativeexport HADOOP_OPTS="$HADOOP_OPTS -Djava.library.path=$HADOOP_HOME/lib/native"export HADOOP_PREFIX=$HADOOP_HOMEexport HADOOP_MAPRED_HOME=$HADOOP_HOMEexport HADOOP_COMMON_HOME=$HADOOP_HOMEexport HADOOP_HDFS_HOME=$HADOOP_HOMEexport YARN_HOME=$HADOOP_HOMEexport HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoopexport HDFS_CONF_DIR=$HADOOP_HOME/etc/hadoopexport YARN_CONF_DIR=$HADOOP_HOME/etc/hadoopexport JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/nativeexport SPARK_HOME=/bigdata/spark

保存退出。

9. 验证

source /etc/profilecd /bigdata/spark

运行Pi测试：

./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster\
--driver-memory 2g \
--executor-memory 3g \
--executor-cores 3 \
examples/jars/spark-examples_2.10-2.0.1.jar \
10

主节点进程：

子节点进程：

子节点会出现ApplicationMaster、ExecutorLauncher、CoarseGraineExecutorBackend相关进程，ApplicationMaster就相当于driver端了，一个sparkContext在集群中对应生成一个ApplicationMaster。随着任务结束，进程最终消失。
输出结果：

./bin/spark-submit –class org.apache.spark.examples.SparkPi \
–master yarn \
–deploy-mode client \
–driver-memory 2g \
–executor-memory 3g \
–executor-cores 3 \
examples/jars/spark-examples_2.10-2.0.1.jar \
10

client模式，那spark-submit就相当于driver端了，结果可以直接在控制台看到。输出结果：

---

限水平有限，哪里说的不对，欢迎拍砖，相互学习，相互进步