Spark大数据分析与实战笔记（第二章 Spark基础-02）

每日一句正能量

人生就像赛跑，不在乎你是否第一个到达尽头，而在乎你有没有跑完全程。

章节概要

Spark于2009年诞生于美国加州大学伯克利分校的AMP实验室，它是一个可应用于大规模数据处理的统一分析引擎。Spark不仅计算速度快，而且内置了丰富的API，使得我们能够更加容易编写程序。

2.2 搭建Spark开发环境

请参考《Hadoop大数据技术与应用》完成Hadoop集群构建。或者看我之前的博客也行。

• Hadoop集群部署和启动与关闭

搭建Spark环境是开展Spark编程的基础，在深入学习Spark编程之 前，我们需要的先搭建Spark开发环境。

2.2.1 环境准备

由于Spark仅仅是一种计算框架，不负责数据的存储和管理，因此，通常都会将Spark和Hadoop进行统一部署，由Hadoop中的HDFS、HBase等组件负责数据的存储管理，Spark负责数据计算。

安装Spark集群前，需要安装Hadoop环境，本教材采用如下配置环境。

Linux系统：CentOS_6.7版本
Hadoop：2.7.4版本
JDK：1.8版本
Spark：2.3.2版本

2.2.2 Spark的部署方式

Spark部署模式分为Local模式(本地单机模式)和集群模式，在Local模式下， 常用于本地开发程序与测试，而集群模式又分为Standalone模式(集群单机模式)、 Yarn模式和Mesos模式，关于这三种集群模式的相关介绍具体如下:

1. Standalone模式

   • Standalone模式被称为集群单机模式
   • 在该模式下，Spark集群架构为主从模式，即一台Master节点与多台Slave节点，Slave节点启动的进程名称为Worker。(主节点只有一个，所以存在单点故障问题，要搭建高可用的Spark集群)

2. Mesos模式

   • Mesos模式被称为Spark on Mesos模式。
   • Mesos是一款资源调度管理系统，为Spark提供服务，由于Spark与Mesos存在密切的关系，因此在设计Spark框架时充分考虑到对Mesos的集成。但如果你同时运行Hadoop和Spark,从兼容性的角度来看，Spark on Yarn是更好的选择。

3. Yarn模式

   • Yarn模式被称为Spark on Yarn模式，即把Spark作为一个客户端，将作业提交给Yarn服务。
   • 由于在生产环境中，很多时候都要与Hadoop使用同一个集群，因此采用Yarn来管理资源调度，可以提高资源利用率。

Yarn模式又分为Yarn Cluster模式和Yarn Client模式，具体介绍如下：

• Yarn Cluster: 用于生产环境，所有的资源调度和计算都在集群上运行。
• Yarn Client: 用于交互、调试环境。

2.2.3 Spark集群安装部署

• 本书将在Standalone模式下，进行Spark集群的安装部署。
• 规划的Spark集群包含一台Master节点和两台Slave节点。其中，主机名hadoop01是Master节点，hadoop02和hadoop03是Slave节点。如下图所示：
  

一、Spark下载

1. 下载Spark安装包

• 下载地址
  下载地址可以在百度中直接搜索或者参看我之前的博客。
  • 大数据相关常用软件下载地址集锦

进入后来到Spark的官网，点击【Download】就可以打开下载界面：https://spark.apache.org/downloads.html。

Spark安装包的下载页面如下图所示：

可以将页面向下拉，找到【Spark release archives】点击进去找历史版本下载。

二、Spark安装

2. 解压Spark安装包
   首先将下载的spark-2.3.2-bin-hadoop2.7.tgz安装包上传到主节点hadoop01的/export/software目录下，然后解压到/export/servers/目录，解压命令如下。

$ tar -zxvf spark-2.3.2-bin-hadoop2.7.tgz -C /export/servers/

注：命令前面的 $ 符号表示当前用户的命令行提示符。它通常出现在命令的开头，表示这是一条需要在命令行中运行的命令。执行命令时不需要加上这个符号，否则会报错。

为了便于后面操作，我们使用mv命令将Spark的目录重命名为spark，命令如下。
mv spark-2.3.2-bin-hadoop2.7/ spark

3. 修改配置文件
   （1）进入spark/conf目录修改Spark的配置文件spark-env.sh,将spark-env.sh.template配置模板文件复制一份并命名为spark-env.sh,具体命令如下。
   cp spark-env.sh.template spark-env.sh

（2）修改spark-env.sh文件，在该文件添加以下内容：

#配置java环境变量
export JAVA_HOME=/export/servers/jdk
#指定Master的IP
export SPARK_MASTER_HOST=hadoop01
#指定Master的端口 
export SPARK_MASTER_PORT=7077

上述添加的配置参数主要包括JDK环境变量、Master节点的IP地址和Master端口号，由于当前节点服务器已经在/etc/hosts文件中配置了IP和主机名的映射关系,因此可以直接填写主机名。

（3）复制slaves.template文件，并重命名为slaves 。具体命令如下。
cp slaves.template slaves

（4）修改spark-env.sh文件，在该文件添加以下内容：通过“vi slaves”命令编辑slaves配置文件，主要是指定Spark集群中的从节点IP，由于在hosts文件中已经配置了IP和主机名的映射关系，因此直接使用主机名代替IP，添加内容如下。

hadoop02
hadoop03

4. 分发文件
   修改完成配置文件后，将spark目录分发至hadoop02和hadoop03节点 。命令如下。

$ scp -r /export/servers/spark/ hadoop02:/export/servers/
$ scp -r /export/servers/spark/ hadoop03:/export/servers/

三、环境变量配置

为了在任何路径下可以执行Spark脚本程序,可以通过执行“vi /etc/profile’命令编辑 .bashrc或者 profile文件，并在文件中配置Spark环境变量即可。文件中添加以下内容：

export SPARK_HOME=/export/servers/spark
export PATH=$PATH:$SPARK_HOME/bin

至此，Spark集群配置完成了 。

5. 启动Spark集群
   Spark集群的启动方式和启动Hadoop集群方式类似，直接使用spark/sbin/start- al.sh脚本即可,在spark根目录下执行下列命令:
   $ sbin/start-all.sh
   
   可以看到集群进程被启动了。
   
   访问Spark管理界面http://hadoop01:8080来查看集群状态(主节点)， Spark集群管理界面如下图所示。
   

2.2.4 Spark HA集群部署

Spark Standalone集群是主从架构的集群模式，由于存在单点故障问题，解决这个问题需要用到Zookeeper服务，其基本原理是将Standalone集群连接到同一个Zookeeper实例并启动多个Master节点，利用Zookeeper提供的选举和状态保存功能，可以使一台Master节点被选举，另一台Master节点处于Standby状态。当活跃的Master发生故障时，Standby状态的Master就会被激活，恢复集群调度，整个恢复的过程可能需要1-2分钟。

一、集群部署

1.启动Zookeeper集群服务。命令如下：
zkServer.sh start

Zookeeper集群服务之前已经带着同学们搭建过了，还不会或者还没搭建的同学去看看之前的文章。

• ZooKeeper的集群部署和启动与关闭

下面是Zookeeper的核心配置文件zoo.cfg

tickTime=2000
initLimit=10
syncLimit=5
dataDir=/export/data/zookeeper /zkdata
clientPort=2181

server.1=hadoop01:2888:3888
server.2=hadoop02:2888:3888
server.3=hadoop03:2888:3888

2.在spark-env.sh配置文件中注释Master节点的配置参数，并指定Spark使用Zookeeper管理。

#指定Master的IP
#export SPARK_MASTER_HOST=hadoop01
#指定Master的端口
export SPARK_MASTER_PORT=7077
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop01:2181,hadoop02:2181,hadoop03:2181
-Dspark.deploy.zookeeper.dir=/spark"

关于上述参数的具体说明如下所示:

• “#”，表示注释当前行
• spark.deploy.recoveryMode：设置Zookeeper去启动备用Master模式。
• spark.deploy.zookeeper.url：指定ZooKeeper的Server地址。
• spark.deploy.zookeeper.dir：保存集群元数据信息的文件、目录。

配置完成后，将spark-env.sh分发至hadoop02、hadoop03节点上，保证配置文件统一，命令如下。

scp spark-env.sh hadoop02:/ekport/servers/spark/conf
scp spark-env.sh hadoop03:/export/servers/spark/conf

二、运行测试

3.在hadoop01主节点启动Spark集群，在hadoop02节点再次启动Master服务。

在hadoop01主节点使用—键启动脚本启动，命令如下：
/export/servers/spark/sbin/start-all.sh

在hadoop02节点再次启动Master服务，命令如下：
/export/servers/spark/sbin/start-master.sh

启动成功后，通过浏览器访问http://hadoop02:8080，查看备用Master节点状态，可以发现status状态为STANDBY。主节点status状态为ALIVE。

4.关闭hadoop01节点中的Master进程，测试Spark HA集群。

Spark HA集群启动完毕后，为了演示是否解决了单点故障问题，可以关闭在hadoopo1节点中的Master进程，用来模拟在生产环境中hadoop01突然宕机，命令如下所示。

/export/servers/spark/sbin/stop-master.sh

执行命令后，通过浏览器查看http://hadoop01:8080，发现已经无法通过hadoop001节点访问Spark集群管理界面。大约经过1-2分钟后，刷新 http://hadoop02:8080页面，可以发现hadoop02节点中的Status值更改为ALIVE，Spark集群恢复正常，说明Spark HA配置有效解决了单点故障问题。

三、多学一招

• 脚本启动Zookeeper集群
  在集群中启动Zookeeper服务时，需要依次在三台服务器上执行启动命令,然而在实际工作应用中，集群数量并非3台，当遇到数十台甚至更多的服务器时，就不得不编写脚本来启动服务了，编写脚本的语言有多种，这里采用Shelli语言开发一键启动Zookeeper服务脚本， 使用命令vi start_zk.sh创建start_zk.sh文件，内容如下：

#!/bin/sh
for host in hadoop01 hadoop02 hadoop03
do
	ssh $host "source /etc/profile;zkServer.sh start"
	echo "$host zk is running"
done

执行该文件只需要输入"start_zk.sh" 即可启动集群中的Zookeeper服务。

转载自:https://blog.csdn.net/u014727709/article/details/132130729
欢迎start，欢迎评论，欢迎指正