SPARK ON YARN
最近毕设需要用到 Spark 集群,所以就记录下了部署的过程。我们知道 Spark 官方提供了三种集群部署方案: Standalone, Mesos, YARN。其中 Standalone 最为方便,本文主要讲述结合 YARN 的部署方案。
软件环境:
Ubuntu 14.04.1 LTS (GNU/Linux 3.13.0-32-generic x86_64)
Hadoop: 2.6.0
Spark: 1.3.0
0 写在前面
本例中的演示均为非 root 权限,所以有些命令行需要加 sudo,如果你是 root 身份运行,请忽略 sudo。下载安装的软件建议都放在 home 目录之上,比如~/workspace
中,这样比较方便,以免权限问题带来不必要的麻烦。
1. 环境准备
修改主机名
我们将搭建1个master,2个slave的集群方案。首先修改主机名vi /etc/hostname
,在master上修改为master
,其中一个slave上修改为slave1
,另一个同理。
配置hosts
在每台主机上修改host文件
vi /etc/hosts
10.1.1.107 master 10.1.1.108 slave1 10.1.1.109 slave2 |
配置之后ping一下用户名看是否生效
ping slave1
ping slave2 |
SSH 免密码登录
安装Openssh server
sudo apt-get install openssh-server
|
在所有机器上都生成私钥和公钥
ssh-keygen -t rsa #一路回车
|
需要让机器间都能相互访问,就把每个机子上的id_rsa.pub
发给master节点,传输公钥可以用scp来传输。
scp ~/.ssh/id_rsa.pub spark@master:~/.ssh/id_rsa.pub.slave1
|
在master上,将所有公钥加到用于认证的公钥文件authorized_keys
中
cat ~/.ssh/id_rsa.pub* >> ~/.ssh/authorized_keys
|
将公钥文件authorized_keys
分发给每台slave
scp ~/.ssh/authorized_keys spark@slave1:~/.ssh/
|
在每台机子上验证SSH无密码通信
ssh master
ssh slave1 ssh slave2 |
如果登陆测试不成功,则可能需要修改文件authorized_keys的权限(权限的设置非常重要,因为不安全的设置安全设置,会让你不能使用RSA功能 )
chmod 600 ~/.ssh/authorized_keys
|
安装 Java
从官网下载最新版 Java 就可以,Spark官方说明 Java 只要是6以上的版本都可以,我下的是 jdk-7u75-linux-x64.gz
在~/workspace
目录下直接解压
tar -zxvf jdk-7u75-linux-x64.gz
|
修改环境变量sudo vi /etc/profile
,添加下列内容,注意将home路径替换成你的:
export WORK_SPACE=/home/spark/workspace/
export JAVA_HOME=$WORK_SPACE/jdk1.7.0_75 export JRE_HOME=/home/spark/work/jdk1.7.0_75/jre export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH export CLASSPATH=$CLASSPATH:.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib |
然后使环境变量生效,并验证 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_75' Java(TM) SE Runtime Environment (build 1.7.0_75-b13) Java HotSpot(TM) 64-Bit Server VM (build 24.75-b04, mixed mode) |
安装 Scala
Spark官方要求 Scala 版本为 2.10.x,注意不要下错版本,我这里下了 2.10.4,官方下载地址(可恶的天朝大局域网下载 Scala 龟速一般)。
同样我们在~/workspace
中解压
tar -zxvf scala-2.10.4.tgz
|
再次修改环境变量sudo vi /etc/profile
,添加以下内容:
export SCALA_HOME=$WORK_SPACE/scala-2.10.4
export PATH=$PATH:$SCALA_HOME/bin |
同样的方法使环境变量生效,并验证 scala 是否安装成功
$ source /etc/profile #生效环境变量
$ scala -version #如果打印出如下版本信息,则说明安装成功 Scala code runner version 2.10.4 -- Copyright 2002-2013, LAMP/EPFL |
安装配置 Hadoop YARN
下载解压
从官网下载 hadoop2.6.0 版本,这里给个我们学校的镜像下载地址。
同样我们在~/workspace
中解压
tar -zxvf hadoop-2.6.0.tar.gz
|
配置 Hadoop
cd ~/workspace/hadoop-2.6.0/etc/hadoop
进入hadoop配置目录,需要配置有以下7个文件:hadoop-env.sh
,yarn-env.sh
,slaves
,core-site.xml
,hdfs-site.xml
,maprd-site.xml
,yarn-site.xml
-
在
hadoop-env.sh
中配置JAVA_HOME# The java implementation to use.
export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75 -
在
yarn-env.sh
中配置JAVA_HOME# some Java parameters
export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75 -
在
slaves
中配置slave节点的ip或者host,slave1
slave2 -
修改
core-site.xml
fs.defaultFS
hdfs://master:9000/
hadoop.tmp.dir
file:/home/spark/workspace/hadoop-2.6.0/tmp -
修改
hdfs-site.xml
dfs.namenode.secondary.http-address
master:9001
dfs.namenode.name.dir
file:/home/spark/workspace/hadoop-2.6.0/dfs/name
dfs.datanode.data.dir
file:/home/spark/workspace/hadoop-2.6.0/dfs/data
dfs.replication
3 -
修改
mapred-site.xml
configuration>
property>
name>mapreduce.framework.namename>
value>yarnvalue>
property>
configuration> -
修改
yarn-site.xml
configuration>
property>
name>yarn.nodemanager.aux-servicesname>
value>mapreduce_shufflevalue>
property>
property>
name>yarn.nodemanager.aux-services.mapreduce.shuffle.classname>
value>org.apache.hadoop.mapred.ShuffleHandlervalue>
property>
property>
name>yarn.resourcemanager.addressname>
value>master:8032value>
property>
property>
name>yarn.resourcemanager.scheduler.addressname>
value>master:8030value>
property>
property>
name>yarn.resourcemanager.resource-tracker.addressname>
value>master:8035value>
property>
property>
name>yarn.resourcemanager.admin.addressname>
value>master:8033value>
property>
property>
name>yarn.resourcemanager.webapp.addressname>
value>master:8088value>
property>
configuration>
将配置好的hadoop-2.6.0
文件夹分发给所有slaves吧
scp -r ~/workspace/hadoop-2.6.0 spark@slave1:~/workspace/
|
启动 Hadoop
在 master 上执行以下操作,就可以启动 hadoop 了。
cd ~/workspace/hadoop-2.6.0 #进入hadoop目录
bin/hadoop namenode -format #格式化namenode sbin/start-dfs.sh #启动dfs sbin/start-yarn.sh #启动yarn |
验证 Hadoop 是否安装成功
可以通过jps
命令查看各个节点启动的进程是否正常。在 master 上应该有以下几个进程:
$ jps #run on master
3407 SecondaryNameNode 3218 NameNode 3552 ResourceManager 3910 Jps |
在每个slave上应该有以下几个进程:
$ jps #run on slaves
2072 NodeManager 2213 Jps 1962 DataNode |
或者在浏览器中输入 http://master:8088 ,应该有 hadoop 的管理界面出来了,并能看到 slave1 和 slave2 节点。
Spark安装
下载解压
进入官方下载地址下载最新版 Spark。我下载的是 spark-1.3.0-bin-hadoop2.4.tgz。
在~/workspace
目录下解压
tar -zxvf spark-1.3.0-bin-hadoop2.4.tgz
mv spark-1.3.0-bin-hadoop2.4 spark-1.3.0 #原来的文件名太长了,修改下 |
配置 Spark
cd ~/workspace/spark-1.3.0/conf #进入spark配置目录
cp spark-env.sh.template spark-env.sh #从配置模板复制 vi spark-env.sh #添加配置内容 |
在spark-env.sh
末尾添加以下内容(这是我的配置,你可以自行修改):
export SCALA_HOME=/home/spark/workspace/scala-2.10.4
export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75 export HADOOP_HOME=/home/spark/workspace/hadoop-2.6.0 export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop SPARK_MASTER_IP=master SPARK_LOCAL_DIRS=/home/spark/workspace/spark-1.3.0 SPARK_DRIVER_MEMORY=1G |
注:在设置Worker进程的CPU个数和内存大小,要注意机器的实际硬件条件,如果配置的超过当前Worker节点的硬件条件,Worker进程会启动失败。
vi slaves
在slaves文件下填上slave主机名:
slave1
slave2 |
将配置好的spark-1.3.0
文件夹分发给所有slaves吧
scp -r ~/workspace/spark-1.3.0 spark@slave1:~/workspace/
|
启动Spark
sbin/start-all.sh
|
验证 Spark 是否安装成功
用jps
检查,在 master 上应该有以下几个进程:
$ jps
7949 Jps 7328 SecondaryNameNode 7805 Master 7137 NameNode 7475 ResourceManager |
在 slave 上应该有以下几个进程:
$jps
3132 DataNode 3759 Worker 3858 Jps 3231 NodeManager |
进入Spark的Web管理页面: http://master:8080
运行示例
#本地模式两线程运行
./bin/run-example SparkPi 10 --master local[2] #Spark Standalone 集群模式运行 ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://master:7077 \ lib/spark-examples-1.3.0-hadoop2.4.0.jar \ 100 #Spark on YARN 集群上 yarn-cluster 模式运行 ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn-cluster \ # can also be `yarn-client` lib/spark-examples*.jar \ 10 |