(超详细) Spark环境搭建（Local模式、 StandAlone模式、Spark On Yarn模式） |
您所在的位置：网站首页 › spark版本下载 › (超详细) Spark环境搭建（Local模式、 StandAlone模式、Spark On Yarn模式） |
(超详细) Spark环境搭建（Local模式、 StandAlone模式、Spark On Yarn模式）
|
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:$SPARK_HOME/bin:$PATHPYSPARK_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-submitbin/pysparkbin/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-master192.168.83.100Masterspark-slave01192.168.83.101Slavespark-slave02192.168.83.102Slave（2）节点规划 节点进程spark-masterspark-slave01spark-slave02NameNode✔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
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：
web端访问需要关闭防火墙： systemctl stop firewalld1）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：
|
【本文地址】
今日新闻 |
推荐新闻 |