大数据处理 | Spark集群搭建及基本使用

点击蓝字关注我

前面用了一篇文章详细的介绍了集群HDFS文件系统的搭建，HDFS文件系统只是一个用于存储数据的系统，它主要是用来服务于大数据计算框架，例如MapReduce、Spark，本文就接着上一篇文章来详细介绍一下Spark集群的搭建及Spark的运行原理、运行模式。

—▼—

Spark集群环境搭建

如果已经理解了前文Hadoop集群环境的搭建，那么学习Spark集群环境的搭建会容易很多，因为Hadoop和Spark不仅安装包目录结构非常相似，在配置方面也十分接近。均是在master节点上进行所有配置，然后打包复制到每个slave节点，然后启动集群Spark即可，下面就来详细介绍一下Spark集群环境的搭建。

下载安装

进入Spark的下载目录，

https://spark.apache.org/downloads.html

可以看到Spark分多个版本，有基于Hadoop构建好的，有没基于Hadoop构建的，有基于Hadoop2.6之前版本构建的，也有基于Hadoop2.7以后版本构建的，由于前面讲解Hadoop集群环境搭建时采用的是Hadoop 3.2.1，因此，而且本文需要使用HDFS依赖Hadoop，因此需要下载Pre-built for Apache Hadoop 2.7 and later,

把spark-2.4.4-bin-hadoop2.7.tgz文件下载到home路径下，然后解压到指定目录，

$ tar -zxvf ~/spark-2.4.4-bin-hadoop2.7.tgz -C /usr/local/

然后进入目录并像Hadoop那样，修改Spark目录的拥有者，

$ cd /usr/local
$ sudo mv ./spark-2.4.4-bin-hadoop2.7 ./spark
$ sudo chowm -R user_name ./spark

配置环境变量

修改bashrc，配置环境变量，把Spark的bin和sbin路径加入到环境变量，

$ vim ~/.bashrc
export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:$PYTHONPATH
export PYSPARK_PYTHON=python3

Master节点配置

进入Spark目录，修改spark-env.sh文件，

$ cd /usr/local/spark
$ vim ./conf/spark-env.sh

在spark-env.sh中添加下面内容，

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)
export HADOOP_CONF_DIR=/usr/local/hadoop/etc/hadoop
export SPARK_MASTER_IP=10.110.113.132

SPARK_MASTER_IP指定的是master节点的IP，后面启动集群Spark时slave节点会注册到SPARK_MASTER_IP，如果这一项不配置，Spark集群则没有可使用资源，

修改slaves文件

配置完master节点信息之后需要配置slave节点信息，slave节点的信息配置在slaves文件里，由于Spark目录下没有这个文件，因此需要首先从slaves.template拷贝一下，

$ cd /usr/local/spark/
$ cp ./conf/slaves.template ./conf/slaves

然后添加如下内容，

slave0
slave0
slave1

需要注意的是，slaves文件里配置的是运行作业任务的节点(worker)，这样的话master的节点只作为控制节点，而不作为工作节点，如果需要把master节点的资源也充分利用起来，需要把master节点也加入到slaves文件中。

slave节点配置

首先在master节点上把配制好的目录进行打包，拷贝到每个slave节点上，

$ cd /usr/local
$ tar -zcf ~/spar.tar.gz ./spark
$ scp ~/spark/tar.gz slave0:~/
$ scp ~/spark/tar.gz slave1:~/
$ scp ~/spark/tar.gz slave2:~/

然后在每个slave节点上执行下方命令，把文件解压到相应路径下，

$ sudo rm -rf /usr/local/spark
$ sudo tar -zxvf ~/spark.tar.gz -C /usr/local
$ sudo chown -R user_name /usr/local/spark

这样就完成了slave节点的配置。

启动Spark集群

如果要使用HDFS的话，在启动Spark集群前需要先启动Hadoop集群，

$ cd /usr/local/hadoop/
$ ./sbin/start-all.sh

然后进入Spark目录，启动Spark集群，

$ cd /usr/local/spark
$ ./sbin/start-all.sh

需要说明一下，前面配置Hadoop集群是提到，需要配置ssh免密登陆，对于Spark也是同样的道理，如果不配置ssh免密登陆的话，执行./sbin/start-all.sh会提示输入密码。

除了使用./sbin/start-all.sh启动Spark集群外，还可以分开启动，先启动master节点，然后启动slave节点，

$ ./sbin/start-master.sh
$ ./sbin/start-slaves.sh

如果前面没有完成Master节点配置指定master节点IP，那么执行./sbin/start-slaves.sh时则无法注册master节点的IP，这样集群计算资源则无法使用。除了配置spark-env.sh指定master节点IP外，还可以通过下面方式指定注册的master节点IP，

$ ./sbin/start-slave.sh 10.110.113.132

然后分别在master节点和slave节点执行下面命令会看到分别多出一个Master进程和Worker进程。

Spark基本使用

运行原理

如果使用过tensorflow的话，应该对Spark的使用很容易理解，Spark的计算过程和tensorflow有相似之处。

回忆一下，我们在使用tensorflow时需要首先构造一个计算图，然后实例化一个session，然后用session.run来启动图运算。

其实Spark也是这样，RDD(弹性分布式数据集)是Spark中最重要的概念之一，它提供了一个共享内存模型。Saprk的执行过程中主要包括两个动作：转换与行动。其中转换操作就如同tensorflow中的构造计算图的过程，在这个过程中Spark构造一个有向无环图(DAG)，但是不进行运算，输入为RDD输出则是一个不同的RDD，当执行行动操作时就如同tensorflow中的session.run，开始执行运算。

Spark中有很多转换操作，例如，

• groupByKey

• reduceByKey

• sortByKey

• map

• filter

• join

• ……

行动操作包括，

• count

• collect

• first

• foreach

• reduce

• take

• ……

运行模式

Spark中通过master url来执行Spark的运行模式，Spark的运行模式包括本地运行、集群运行、yarn集群等，关于Spark master url的指定不同运行模式的含义如下，

URL值	运行模式
local	使用1个线程本地化运行
local[K]	使用K个线程本地化运行
local[*]	使用逻辑CPU个数数量的线程来本地化运行
spark://HOST:PORT	指定集群模式运行Spark
yarn-cluster	集群模式连接YARN集群
yarn-client	客户端模式连接YARN集群
mesos://HOST:PORT	连接到指定的Mesos集群

示例

下面就以一个简单的示例把前面Hadoop和Spark串联在一起，讲解一下HDFS+Spark的使用方法。

上传数据到HDFS

新建一个hello_world.txt的本地文件，并在文件中添加3行hello world，然后上传至HDFS，

$ cd /usr/local/hadoop/
$ ./bin/hdfs dfs -mkdir -p /usr/hadoop
$ touch hello_world.txt
$ echo -e "hello world \nhello world \nhello world" >> hello_world.txt
$ ./bin/hdfs dfs -put ./hello_world.txt /usr/hadoop

编写Spark程序

新建一个spark.py的Python文件，

$ vim spark.py

添加如下内容，

from pyspark import SparkConf
from pyspark import SparkContext

conf = SparkConf().setAppName("FirstProject").setMaster("local[*]")
sc = SparkContext.getOrCreate(conf)
rdd = sc.textFile("hdfs:///master:9000/usr/hadoop/hello_world.txt")
rdd.map(lambda line: line).foreach(print)

然后运行程序，

$ python spark.py
hello world
hello world
hello world

以上就是Spark的集群配置过程和基本使用方法。

▲

END

有趣的灵魂在等你

长按扫码可关注 

相关文章效率工具 | 推荐一款提高Python编程效率的神器实用工具 | 推荐5款值得安装的Windows工具学习资源 | 推荐2份Github热门校招面试汇总资料

文章好看就点这里