(超详细) Spark环境搭建(Local模式 StandAlone模式Spark On Yarn模式)
Posted IT路上的军哥
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了(超详细) Spark环境搭建(Local模式 StandAlone模式Spark On Yarn模式)相关的知识,希望对你有一定的参考价值。
Spark环境搭建
JunLeon——go big or go home
目录
(4)配置log4j.properties 文件 [可选配置]
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-windows-x64.exe
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
(3)Anaconda On Linux 安装
在该目录下,执行Anaconda文件
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:
新建文件~/.condarc
这个文件,追加以下内容:
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 # 切换到pyspark虚拟环境
(6)pip下载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
(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:$SPARK_HOME/bin:$PATH
PYSPARK_PYTHON
和JAVA_HOME
需要同样配置在: ~/.bashrc
中
# 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
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-submit | bin/pyspark | bin/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 Standone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-master | 192.168.83.100 | Master |
spark-slave01 | 192.168.83.101 | Slave |
spark-slave02 | 192.168.83.102 | Slave |
(2)节点规划
节点进程 | spark-master | spark-slave01 | spark-slave02 |
---|---|---|---|
NameNode | ✔ | ||
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
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
JAVA_HOME=/opt/jdk1.8.0_181
## 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
(5)将配置好的spark分发到其他两台服务器上
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/
(6)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:
(7)web端访问:
web端访问需要关闭防火墙:
systemctl stop firewalld
1)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:
四、Spark On Yarn模式搭建
以上是关于(超详细) Spark环境搭建(Local模式 StandAlone模式Spark On Yarn模式)的主要内容,如果未能解决你的问题,请参考以下文章
大数据分析Hadoop + Spark 10分钟搭建Hadoop(伪分布式 )+ Spark(Local模式)环境