软件环境:
linux系统: CentOS6.7
Hadoop版本: 2.6.5
zookeeper版本: 3.4.8
</br>
主机配置:
一共m1, m2, m3这五部机, 每部主机的用户名都为centos
192.168.179.201: m1
192.168.179.202: m2
192.168.179.203: m3
m1: Zookeeper, Namenode, DataNode, ResourceManager, NodeManager, Master, Worker
m2: Zookeeper, Namenode, DataNode, ResourceManager, NodeManager, Worker
m3: Zookeeper, DataNode, NodeManager, Worker
</br>
一.编译Spark源码
参考资料:
spark源码编译教程
http://blog.csdn.net/yanran1991326/article/details/46506595
</br>
1.安装Maven: (Linux下,若使用Spark自带的编译器可跳过此步)
Maven教程:
http://wiki.jikexueyuan.com/project/maven/
- 下载Maven安装包
- 解压Maven到指定位置
- 编辑/etc/profile文件
export M2_HOME=/home/centos/soft/maven
PATH=$PATH:$M2_HOME/bin
- 刷新一下/etc/profile文件
source /etc/profile
- 检验是否安装成功,输入以下指令
mvn -v
- 设置maven内存大小
(1)Linux下:
配置环境变量,编辑/etc/profile文件
export MAVEN_OPTS=-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m
(2)Windows下:
配置环境变量:
新建变量:MAVEN_OPTS, 并将变量MAVEN_OPTS的值设置成-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m
</br>
2.编译spark源码:
spark源码下载官方地址:
http://spark.apache.org/downloads.html
spark源码编译官方指南:
http://spark.apache.org/docs/1.5.0/building-spark.html
spark源码编译教程:
http://blog.csdn.net/yanran1991326/article/details/46506595
1. 下载spark源码
2. 使用spark源码编译: (推荐使用第一种方案, 因为第二种方案亲测编译成功后各种缺包)
- 方案一:使用maven编译: Linux下 (推荐使用这种方法)
(1)编译指令:
如果想生成一个用scala2.1.2编译的spark 部署包，则要先执行change-scala-version.sh文件:./dev/change-scala-version.sh 2.10(若要指定scala的编译版本时, 必须先执行该指令)
mvn -Phadoop-2.6 -Pyarn -Dhadoop.version=2.6.5 -Dyarn.version=2.6.5 -Dscala-2.10 -DskipTests clean package
指令参数使用介绍:
–Phadoop-$系列： 打包时所用的Hadoop系列号，不加此参数时hadoop为pom.xml的默认系列。
-Dhadoop.version=$版本号: 打包时所用的Hadoop版本号，不加此参数时不可从HDFS上读取数据。
–Pyarn: 是否支持Hadoop YARN，不加参数时为不支持yarn。
-Dyarn.version=$版本号: 是否支持Hadoop YARN，不加参数时为不支持yarn调度。
–Phive: 是否在Spark SQL中支持hive，不加此参数时为不支持hive。(若要使用Hive on Spark功能时, 不能添加次参数)
-Dscala-$版本号: 打包时所用的Scala系列号，不加此参数时Scala版本为pom.xml的默认版本, 在使用此函数之前必须先执行./dev/change-scala-version.sh 2.10指令,否则无效
-DskipTests: 是否在编译的过程中略过测试，加此参数时为略过。
(2)编译成功:
编译成功后的Spark引用包的存放位置:
$Spark源码目录/assembly/target/scala-2.10/spark-assembly-1.6.3-hadoop2.6.5.jar
该包的只是一个引用包, 应把tgz解压安装的$SPARK_HOME/lib目录下的assembly删除, 然后将该包放入到$SPARK_HOME/lib目录下
- 方案二:使用spark源码包中自带的
make-distribution编译工具
(1)编译指令:
先编译Spark源码(若需要用到parquet功能,则带上parquet-provided参数)
Spark2.0版本之前(hadoop版本可随实际情况修改)
./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.4,parquet-provided"
Spark2.0版本之后(hadoop版本可随实际情况修改)
./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided"
(2)编译成功
编译成功后的Spark安装包的存放位置:
$Spark源码目录/spark-1.6.0-bin-hadoop2-without-hive-src.tgz
该包是一个安装包, 用tar解压出安装即可, 不推荐使用
</br>
</br>
二.搭建Spark集群
0.安装准备
- 下载Scala
http://www.scala-lang.org/download/
- 下载Spark
http://spark.apache.org/downloads.html
</br>
1.集群规划(在m1上操作,然后在分发到其他主机)
Master m1
Slaves m3, m4, m5
</br>
2.解压Scala,Spark安装包
tar -zxvf scala-2.10.6/ -C /home/centos/soft/scala
tar -zxvf spark-1.6.0-bin-hadoop2.6/ -C /home/centos/soft/spark
</br>
3.配置环境变量
vi /etc/profile
## Spark
export SCALA_HOME=/home/centos/soft/scala
export SPARK_HOME=/home/centos/soft/spark
export CLASSPATH=$CLASSPATH:$SPARK_HOME/lib
export PATH=$PATH:$SCALA_HOME/bin:$SPARK_HOME/sbin:$SPARK_HOME/bin
source /etc/profile
</br>
4.拷贝hdfs-site.xml, yarn-site.xml, hive-site.xml文件拷贝到spark的配置目录下
cp /home/centos/soft/hadoop/etc/hadoop/hdfs-site.xml /home/centos/soft/spark/conf
cp /home/centos/soft/hadoop/etc/hadoop/yarn-site.xml /home/centos/soft/spark/conf
cp /home/centos/soft/hive/conf/hive-site.xml /home/centos/soft/spark/conf
</br>
5.编辑$/SPARK_HOME/conf/spark-env.sh文件
Spark官方配置参考:
https://spark.apache.org/docs/1.2.0/configuration.html
Hive On Spark配置参考:
https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties#ConfigurationProperties-Spark
vi $SPARK_HOME/conf/spark-env.sh
export JAVA_HOME=/home/centos/soft/jdk1.7.0_67
export HADOOP_HOME=/home/centos/soft/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SCALA_HOME=/home/centos/soft/scala
export SPARK_HOME=/home/centos/soft/spark
export SPARK_LOCAL_DIRS=$SPARK_HOME/tmp ## spark相关的临时文件
export SPARK_DIST_CLASSPATH=$(/home/centos/soft/hadoop/bin/hadoop classpath)
export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$HADOOP_HOME/lib:$SCALA_HOME/lib:$SPARK_HOME/lib
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$SCALA_HOME/bin:$SPARK_HOME/bin:$SPARK_HOME/sbin
export SPARK_MASTER_IP=m1
export SPARK_MASTER_PORT=7077
export SPARK_MASTER_WEBUI_PORT=8080
export SPARK_WORKER_CORES=3 ## 允许Spark应用程序在每台机器上使用的内核总数
export SPARK_WORKER_MEMORY=512m ## 允许Spark应用程序在每台机器上使用的总内存量，例如1000m，2g（默认值：总内存为1 GB）;请注意，每个应用程序的单独内存都使用其spark.executor.memory属性配置
export SPARK_WORKER_INSTANCES=1 ## 在每台计算机上运行的工作程序实例数（默认值：1）。如果你有非常大的机器，并且想要多个Spark工作进程，你可以使它超过1。如果你这样设置，确保显式地设置SPARK_WORKER_CORES以限制每个工人的核心，否则每个工人将尝试使用所有核心。
export SPARK_DAEMON_MEMORY=512m ## 要分配给Spark主服务器和工作程序守护程序本身的内存（默认值：512m）。
export SPARK_EXECUTOR_CORES=1 ## 每个Executor使用的CPU核数,每个Exector使用的总核心spark.max.cores在spark-default.conf中设置
export SPARK_EXECUTOR_MEMORY=512m ## 每个Executor使用多大的内存
export SPARK_DRIVER_MEMORY=512m
export SPARK_YARN_AM_CORES=1
export SPARK_YARN_AM_MEMORY=512m
export SPARK_YARN_AM_WAITTIME=200ms
export SPARK_YARN_APP_NAME=Spark_On_Yarn
export SPARK_YARN_EXECUTOR_MEMORYOVERHEAD=75
export SPARK_TESTING_MEMORY=536870912
export SPARK_WORKER_DIR=$SPARK_HOME/logs/workerDir
export SPARK_LOG_DIR=$SPARK_HOME/logs/logDir
export SPARK_PID_DIR=$SPARK_HOME/logs/pidDir
export HIVE_SERVER2_THRIFT_PORT=10000
export HIVE_SERVER2_THRIFT_BIND_HOST=0.0.0.0
</br>
6.编辑$SPARK_HOME/conf/spark-default.conf文件
vi $SPARK_HOME/conf/spark-default.conf
spark.master spark://master:7077
spark.shuffle.service.port 7337
spark.eventLog.enabled true
spark.eventLog.compress true
spark.eventlog.dir /home/centos/soft/spark/logs/spark.log
spark.serializer org.apache.spark.serializer.KryoSerializer
spark.driver.memory 5g
spark.executor.extraJavaOptions -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"
spark.sql.parquet.binaryAsString true
spark.sql.parquet.mergeSchema true
spark.sql.parquet.cacheMetadata false
spark.sql.hive.convertMetastoreParquet false
spark.dynamicAllocation.enabled true # 开启动态资源分配
spark.dynamicAllocation.minExecutors 1 # 每个Application最小分配的executor数
spark.dynamicAllocation.maxExecutors 30 # 每个Application最大并发分配的executor数
spark.dynamicAllocation.schedulerBacklogTimeout 1s
spark.dynamicAllocation.sustainedSchedulerBacklogTimeout 5s
spark.scheduler.mode FAIR # 调度模式
spark.executor.instances 1 # standalone模式下限制每个Executor最大核心数
spark.cores.max 3 # Yarn模式下限制每个Executor最大核心数
</br>
7.实现Spark动态分配资源功能
- 将
$SPARK_HOME/conf/spark-default.conf配置文件中将spark.dynamicAllocation.enabled配置项改为true - 将
$SPARK_HOME/lib/spark-1.6.0-yarn-shuffle.jar拷贝到每台NodeManager节点的${HADOOP_HOME}/share/hadoop/yarn/lib/下
</br>
8.编辑$SPARK_HOME/conf/slaves文件
m3
m4
m5
</br>
9.将安装文件分发到其他主机上
scp -r /home/centos/soft/scala m3:/home/centos/soft/
scp -r /home/centos/soft/scala m4:/home/centos/soft/
scp -r /home/centos/soft/scala m5:/home/centos/soft/
</br>
10.启动spark集群(注意: 启动spark集群之前,需先启动YARN)
- 在m1, m2上分别启动YARN集群
start-yarn.sh
- 在WebUI上查看启动情况
m1:8088
- 在m1主机上启动主从节点:
start-master.sh ## 启动主节点:
start-slaves.sh ## 启动从节点:
- 在WebUI上查看启动情况
m1:8080
</br>
11.测试实例
./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 1g --executor-memory 1g --executor-cores 1 --queue thequeue lib/spark-assembly-1.6.0-hadoop2.6.0.jar 10
</br>
</br>
</br>
