Spark On YARN 分布式集群安装
一、导读
最近开始学习大数据分析,说到大数据分析,就必须提到Hadoop与Spark。要研究大数据分析,就必须安装这两个软件,特此记录一下安装过程。Hadoop使用V2版本,Hadoop有单机、伪分布式、分布式三种部署方案,这里使用分布式部署方案。而Spark有三种部署方案:Standalone, Mesos, YARN,而本文采用在YARN上的分布式集群部署方案。
具体软件环境:
Ubuntu 14.04.3 LTS (GNU/Linux 3.16.0-67-generic x86_64) jdk: 1.7.0_95 scala: 2.10.6 Hadoop: 2.6.0 Spark: 1.6.1
集群环境:(3台主机)
master #主节点
slave1 #从节点1
salve2 #从节点2
二、准备工作
重命名主机
准备好三台Linux系统的主机后,将三台主机进行重命名,采用下面的命令
sudo vim /etc/hostname
将1台主机名称改为master,另外两台主机改为slave1与slave2。
配置hosts文件
在每台主机上修改hosts文件,配置文件如下:
127.0.0.1 localhost 10.21.71.132 master 10.21.71.125 slave1 10.21.71.119 slave2
配置完成后,需要使用ping命令测试修改是否生效
ping master ping slave1 ping slave2
SSH免密码登录
SSH(Secure Shell)是类Unix系统上进行远程登录的安全协议,简单理解为远程加密登录。集群安装需要使用SSH登录,Ubuntu自带Client端,需要安装Server端,命令如下:
sudo apt-get install openssh-server
免密码登录需要进行一定的配置,通过RSA生成公钥与私钥,将公钥发送给其他主机,其他主机把它加入authorized_keys,自己保留私钥,以后就可进行免密码登录。这里公钥相当于锁头,私钥相当于钥匙,当其他主机接收到公钥并进行授权后,相当于公钥对其他主机进行加密,可以使用私钥解密。
- 在所有的机器上生成私钥和公钥
sudo ssh-keygen -t rsa #一路回车
2. 让master能进行自身登录与被slave1与slave2访问,将两台slav2机器公钥发给master
# 将两台slave机器公钥发给master主机 scp ~/.ssh/id_rsa.pub hadoop@master:~/.ssh/id_rsa.pub.slave1 scp ~/.ssh/id_rsa.pub hadoop@master:~/.ssh/id_rsa.pub.slave2 # master主机上,将所有公钥加入被认证的公钥文件 cat ~/.ssh/id_rsa.pub* >> ~/.ssh/authorized_keys
此时,应该slave1与slave2能够登录master主机并且master能够自身登录。
3. 让每台主机互相免密码登录。将公钥文件分发给每台slave
scp ~/.ssh/authorized_keys hadoopk@slave1:~/.ssh/ scp ~/.ssh/authorized_keys hadoopk@slave2:~/.ssh/
4. 在每台主机验证SSH免密码登录。
ssh master ssh slave1 ssh slave2
三、安装Java
虽然Linux自带了OpenJDK,但感觉还是要下载官网的JDK,Spark需要JDK6以上的版本,我下的版本为JDK1.7,使用下面的命令进行解压:
sudo tar zxvf jdk-7u79-linux-x64.gz -C /usr/local/
然后修改环境变量
sudo vi /etc/profile/
在文件末尾添加相应的环境变量
export JAVA_HOME=/usr/local/jdk1.7 export JRE_HOME=$JAVA_HOME/jre export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib export PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin
重新载入环境变量,并查看JAVA是否安装成功
$ source /etc/profile #生效环境变量 $ java -version #如果打印出如下版本信息,则说明安装成功 java version "1.7.0_79" Java(TM) SE Runtime Environment (build 1.7.0_79-b15) Java HotSpot(TM) 64-Bit Server VM (build 24.79-b02, mixed mode)
四、安装Scala
因为Spark1.6.1需要版本Scala版本为2.10.x,因此在官网下载地址下载了2.10.6版本,下载后解压
sudo tar zxvf scala-2.10.6.tgz -C /usr/local/
再次添加环境变量,再次使用使用
sudo vi /etc/profile
添加以下内容:
export SCALA_HOME=/usr/local/scala-2.10.6 export PATH=$PATH:$SCALA_HOME/bin
重新载入环境变量,并验证scala是否安装成功
$ source /etc/profile #重新载入环境变量 $ scala -version #查看scala安装版本,如出现以下版本信息,则安装成功 Scala code runner version 2.10.6 — Copyright 2002-2013, LAMP/EPFL
五、Hadoop安装
下载Hadoop
从官网下载Hadoop2.6.0版本,官网下载地址,下载成功后解压
tar -zxvf hadoop-2.6.0.tar.gz -C /opt/
配置Hadoop
Hadoop的集群部署模式需要修改Hadoop文件夹中/etc/hadoop/中的配置文件,更多设置项可见官方说明,这里只设置了常见的设置项:hadoop-env.sh
,yarn-env.sh、
core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml、slaves。
- 在hadoop-env.sh中配置JAVA_HOME
# The java implementation to use. export JAVA_HOME=/usr/local/jdk1.7
- yarn-env.sh中配置JAVA_HOME
# some Java parameters export JAVA_HOME=/usr/local/jdk1.7
- core-site.xml为全局配置文件,修改core-site.xml
<configuration> <property> <name>hadoop.tmp.dir</name> <value>file:/home/hadoop/tmp</value> <description>Abase for other temporary directories.</description> </property> <property> <name>fs.defaultFS</name> <value>hdfs://master:9000</value> </property> <property> <name>dfs.http.address</name> <value>50070</value> </property> </configuration>
- hdfs-site.xml为HDFS的配置文件,修改hdfs-site.xml
<configuration> <property> <name>dfs.namenode.secondary.http-address</name> <value>master:50090</value> </property> <property> <name>dfs.replication</name> <value>2</value> </property> <property> <name>dfs.namenode.name.dir</name> <value>file:/home/hadoop/tmp/dfs/name</value> </property> <property> <name>dfs.datanode.data.dir</name> <value>file:/home/hadoop/tmp/dfs/data</value> </property> <property> <name>dfs.permissions</name> <value>false</value> </property> </configuration>
- mapred-site.xml为MapReduce的配置文件,修改mapred-site.xml
<configuration> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> </configuration>
- yarn-site.xml为YARN资源管理器的配置文件,修改yarn-site.xml
<configuration> <property> <name>yarn.resourcemanager.hostname</name> <value>master</value> </property> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> </configuration>
- slaves文件配置从节点,配置slaves
slave1 slave2
将配置好的Hadoop文件夹分发给slaves
scp -r /opt/hadoop-2.6.0 hadoop@slave1:/opt/ scp -r /opt/hadoop-2.6.0 hadoop@slave2:/opt/
验证Hadoop是否安装成功
启动Hadoop,只需要在master进行下列操作即可
cd /opt/hadoop-2.6.0 #进入Hadoop目录 sudo bin/hadoop namenode –format #格式化namenode sbin/start-dfs.sh #启动HDFS sbin/start-yarn.sh #启动资源管理器
用jps查看机器上的进程,是否包含以下的进程:
master上的进程:
11164 SecondaryNameNode 17405 Jps 10535 ResourceManager 10949 NameNode
slave上的进程:
2164 DataNode 6440 Jps 1979 NodeManager
进入Hadoop的Web管理页面:http://master:50070/
六、Spark安装
下载Spark
进入官方网站下载最新Spark,下载地址,这里我下载的是spark-1.6.1-bin-hadoop2.6.tgz,能够在Hadoop2.6及更高版本上运行。
下载后,进行解压
sudo tar -zxvf spark-1.6.1-bin-hadoop2.6.tgz -C /opt/ sudo mv spark-1.6.1-bin-hadoop2.6/ spark-1.6.1 #重命名文件
配置Spark
cd /opt/spark-1.6.1/conf/ cp spark-env.sh.template spark-env.sh sudo vi spark-env.sh
在Spark-env.sh文件尾部添加以下配置:
export JAVA_HOME=/usr/local/jdk1.7 #Java环境变量 export SCALA_HOME=/usr/local/scala-2.10.6 #SCALA环境变量 export SPARK_WORKING_MEMORY=1g #每一个worker节点上可用的最大内存 export SPARK_MASTER_IP=master #驱动器节点IP export HADOOP_HOME=/opt/hadoop #Hadoop路径 export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop #Hadoop配置目录
配置slave主机
$ cp slaves.template slaves $ sudo vim slaves
添加slave主机
slave1
slave2
将配置好的Spark分发给所有的slave
scp -r /opt/spark-1.6.1 hadoop@slave1:~/opt/
验证Spark是否安装成功
使用下面的命令,运行Spark
sbin/start-all.sh
用jps查看机器上的进程,是否包含以下的进程:
master上的进程:
slave上的进程:
进入Spark的Web管理页面:http://master:8080
运行简单示例
当需要运行Spark终端,必须将Spark的bin目录加入到系统路径。
export SPARK_HOME=/opt/spark-1.6.1 export PATH=$PATH:${SPARK_HOM}/bin
添加Spark的bin目录路径后,运行
spark-shell
查看是否出现欢迎界面,并可以运行scala脚本