第2章 Spark集群的安装与部署
Spark的安装简便，用户可以在官网上下载到最新的软件包。
Spark最早是为了在Linux平台上使用而开发的，在生产环境中也是部署在Linux平台上，但是Spark在UNIX、Windwos和Mac OS X系统上也运行良好。不过，在Windows上运行Spark稍显复杂，必须先安装Cygwin以模拟Linux环境，才能安装Spark。
由于Spark主要使用HDFS充当持久化层，所以完整地使用Spark需要预先安装Hadoop。下面介绍Spark集群的安装和部署。
2.1 Spark的安装与部署
Spark在生产环境中，主要部署在安装有Linux系统的集群中。在Linux系统中安装Spark需要预先安装JDK、Scala等所需的依赖。由于Spark是计算框架，所以需要预先在集群内有搭建好存储数据的持久化层，如HDFS、Hive、Cassandra等。最后用户就可以通过启动脚本运行应用了。
2.1.1 在Linux集群上安装与配置Spark
下面介绍如何在Linux集群上安装与配置Spark。
1．安装JDK
安装JDK大致分为下面4个步骤。
1）用户可以在Oracle JDK的官网下载相应版本的JDK，本例以JDK 1.6为例。
2）下载后，在解压出的JDK的目录下执行bin文件。
./jdk-6u38-ea-bin-b04-linux-amd64-31_oct_2012.bin
3）配置环境变量，在/etc/profile增加以下代码。
JAVA_HOME=/home/chengxu/jdk1.6.0_38
PATH=$JAVA_HOME/bin:$PATH
CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/jre/lib/dt.jar:$JAVA_HOME/jre/lib/tools.jar
export JAVA_HOME PATH CLASSPATH
4）使profile文件更新生效。
./etc/profile
2．安装Scala
Scala官网提供各个版本的Scala，用户需要根据Spark官方规定的Scala版本进行下载和安装。
以Scala-2.10为例进行介绍。
1）下载scala-2.10.4.tgz。
2）在目录下解压：
tar -xzvf scala-2.10.4.tgz
3）配置环境变量，在/etc/profile中添加下面的内容。
export SCALA_HOME=/home/chengxu/scala-2.10.4/scala-2.10.4
export PATH=${SCALA_HOME}/bin:$PATH
4）使profile文件更新生效。
./etc/profile
3．配置SSH免密码登录
在集群管理和配置中有很多工具可以使用。例如，可以采用pssh等Linux工具在集群中分发与复制文件，用户也可以自己书写Shell、Python的脚本分发包。
Spark的Master节点向Worker节点发命令需要通过ssh进行发送，用户不希望Master每发送一次命令就输入一次密码，因此需要实现Master无密码登录到所有Worker。
Master作为客户端，要实现无密码公钥认证，连接到服务端Worker。需要在Master上生成一个密钥对，包括一个公钥和一个私钥，然后将公钥复制到Worker上。当Master通过ssh连接Woker时，Worker就会生成一个随机数并用Master的公钥对随机数进行加密，发送给Worker。Master收到加密数之后再用私钥进行解密，并将解密数回传给Worker，Worker确认解密数无误之后，允许Master进行连接。这就是一个公钥认证过程，其间不需要用户手工输入密码，主要过程是将Master节点公钥复制到Worker节点上。
下面介绍如何配置Master与Worker之间的SSH免密码登录。
1）在Master节点上，执行以下命令。
ssh-keygen-trsa
2）打印日志执行以下命令。
Generating public/private rsa key pair.
Enter file in which to save the key (/root/.ssh/id_rsa):
/回车，设置默认路径/
Enter passphrase (empty for no passphrase):
/回车，设置空密码/
Enter same passphrase again:
Your identification has been saved in /root/.ssh/id_rsa.
Your public key has been saved in /root/.ssh/id_rsa.pub.
如果是root用户，则在/root/.ssh/目录下生成一个私钥id_rsa和一个公钥id_rsa.pub。
把Master上的id_rsa.pub文件追加到Worker的authorized_keys内，以172.20.14.144 （Worker）节点为例。
3）复制Master的id_rsa.pub文件。
scp id_rsa.pub root@172.20.14.144:/home
/可使用pssh对全部节点分发/
4）登录172.20.14.144 (Worker节点)，执行以下命令。
cat /home/id_rsa.pub >> /root/.ssh/authorized_keys
/可使用pssh对全部节点分发/
其他的Worker执行同样的操作。
注意：配置完毕，如果Master仍然不能访问Worker，可以修改Worker的authorized_keys文件的权限，命令为chmod 600 authorized_keys。
4．安装Hadoop
下面讲解Hadoop的安装过程和步骤。
（1）下载hadoop-2.2.0
1）选取一个Hadoop镜像网址，下载Hadoop。
$ wgethttp://www.trieuvan.com/apache/hadoop/common/
hadoop-2.2.0/hadoop-2.2.0.tar.gz
2）解压tar包。
$ sudo tar-vxzf hadoop-2.2.0.tar.gz -C /usr/local
$ cd /usr/local
$ sudo mv hadoop-2.2.0 hadoop
$ sudo chown -R hduser:hadoop hadoop
（2）配置Hadoop环境变量
1）编辑profile文件。
vi /etc/profile
2）在profile文件中增加以下内容。
export JAVA_HOME=/usr/lib/jvm/jdk/
export HADOOP_INSTALL=/usr/local/hadoop
export PATH=$PATH:$HADOOP_INSTALL/bin
export PATH=$PATH:$HADOOP_INSTALL/sbin
export HADOOP_MAPRED_HOME=$HADOOP_INSTALL
export HADOOP_COMMON_HOME=$HADOOP_INSTALL
export HADOOP_HDFS_HOME=$HADOOP_INSTALL
export YARN_HOME=$HADOOP_INSTALL
通过如上配置就可以让系统找到JDK和Hadoop的安装路径。
（3）编辑配置文件
1）进入Hadoop所在目录/usr/local/hadoop/etc/hadoop。
2）配置hadoop-env.sh文件。
export JAVA_HOME=/usr/lib/jvm/jdk/
3）配置core-site.xml文件。
<configuration>
/这里的值指的是默认的HDFS路径/
<property>
<name>fs.defaultFS</name>
<value>hdfs://Master:9000</value>
</property>
/缓冲区大小:io.file.buffer.size默认是4KB/
<property>
<name>io.file.buffer.size</name>
<value>131072</value>
</property>
/临时文件夹路径/
<property>
<name>hadoop.tmp.dir</name>
<value>file:/home//tmp</value>
<description>Abase for other
temporary directories. </description>
</property>
<property>
<name>hadoop.proxyuser.hduser.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hduser.groups</name>
<value>*</value>
</property>
</configuration>
4）配置yarn-site.xml文件。
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
/resourcemanager的地址/
<property>
<name>yarn.resourcemanager.address</name>
<value>Master:8032</value>
</property>
/调度器的端口/
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value> Master1:8030</value>
</property>
/resource-tracker端口/
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value> Master:8031</value>
</property>
/resourcemanager管理器端口/
<property>
<name>yarn.resourcemanager.admin.address</name>
<value> Master:8033</value>
</property>
/ ResourceManager 的 Web 端口，监控 job 的资源调度/
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value> Master:8088</value>
</property>
</configuration>
5）配置mapred-site.xml文件，加入如下内容。
<configuration>
/hadoop对map-reduce运行框架一共提供了3种实现，在mapred-site.xml中通过"mapreduce.framework.name"这个属性来设置为"classic"、"yarn"或者"local"/
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
/MapReduce JobHistory Server地址/
<property>
<name>mapreduce.jobhistory.address</name>
<value>Master:10020</value>
</property>
/MapReduce JobHistory Server Web UI地址/
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>Master:19888</value>
</property>
</configuration>
（4）创建namenode和datanode目录，并配置其相应路径
1）创建namenode和datanode目录，执行以下命令。
$ mkdir /hdfs/namenode
$ mkdir /hdfs/datanode
2）执行命令后，再次回到目录 /usr/local/hadoop/etc/hadoop，配置hdfs-site.xml 文件，在文件中添加如下内容。
<configuration>
/配置主节点名和端口号/
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>Master:9001</value>
</property>
/配置从节点名和端口号/
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/hdfs/namenode</value>
</property>
/配置datanode的数据存储目录/
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/hdfs/datanode</value>
</property>
/配置副本数/
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
/将dfs.webhdfs.enabled属性设置为true，否则就不能使用webhdfs的LISTSTATUS、LISTFILESTATUS等需要列出文件、文件夹状态的命令，因为这些信息都是由namenode保存的/
<property>
<name>dfs.webhdfs.enabled</name>
<value>true</value>
</property>
</configuration>
（5）配置Master和Slave文件
1）Master文件负责配置主节点的主机名。例如，主节点名为Master，则需要在Master文件添加以下内容。
Master /Master为主节点主机名/
2）配置Slaves文件添加从节点主机名，这样主节点就可以通过配置文件找到从节点，和从节点进行通信。例如，以Slave1～Slave5为从节点的主机名，就需要在Slaves文件中添加如下信息。
/Slave为从节点主机名/
Slave1
Slave2
Slave3
Slave4
Slave5
（6）将Hadoop的所有文件通过pssh分发到各个节点
执行如下命令。
./pssh -h hosts.txt -r /hadoop /
（7）格式化Namenode（在Hadoop根目录下）
./bin/hadoop namenode -format
（8）启动Hadoop
./sbin/start-all.sh
（9）查看是否配置和启动成功
如果在x86机器上运行，则通过jps命令，查看相应的JVM进程
2584 DataNode
2971 ResourceManager
3462 Jps
3179 NodeManager
2369 NameNode
2841 SecondaryNameNode
注意，由于在IBM JVM中没有jps命令，所以需要用户按照下面命令逐个查看。
ps-aux|grep DataNode /查看DataNode进程/
5．安装Spark
进入官网下载对应Hadoop版本的Spark程序包（见图2-1）。
截止到笔者进行本书写作之时，Spark已经更新到1.0版本。
以Spark1.0版本为例，介绍Spark的安装。
1）下载spark-1.0.0-bin-hadoop2.tgz。
2）解压tar -xzvf spark-1.0.0-bin-hadoop2.tgz。
3）配置conf/spark-env.sh文件
① 用户可以配置基本的参数，其他更复杂的参数请见官网的配置（Configuration）页面。
② 编辑conf/spark-env.sh文件，加入下面的配置参数。
export SCALA_HOME=/path/to/scala-2.10.4
export SPARK_WORKER_MEMORY=7g
export SPARK_MASTER_IP=172.16.0.140
export MASTER=spark://172.16.0.140:7077
参数SPARK_WORKER_MEMORY决定在每一个Worker节点上可用的最大内存，增加这个数值可以在内存中缓存更多数据，但是一定要给Slave的操作系统和其他服务预留足够的内存。
需要配置SPARK_MASTER_IP和MASTER，否则会造成Slave无法注册主机错误。
4）配置slaves文件。
编辑conf/slaves文件，以5个Worker节点为例，将节点的主机名加入slaves文件中。
Slave1
Slave2
Slave3
Slave4
Slave5
6．启动集群
（1）Spark启动与关闭
1）在Spark根目录启动Spark。
./sbin/start-all.sh
2）关闭Spark。
./sbin/stop-all.sh
（2）Hadoop的启动与关闭
1）在Hadoop根目录启动Hadoop。
./sbin/start-all.sh
2）关闭Hadoop。
./sbin/stop-all.sh
（3）检测是否安装成功
1）正常状态下的Master节点如下。
-bash-4.1# jps
23526 Jps
2127 Master
7396 NameNode
7594 SecondaryNameNode
7681 ResourceManager
2）利用ssh登录Worker节点。
-bash-4.1# ssh slave2
-bash-4.1# jps
1405 Worker
1053 DataNode
22455 Jps
31935 NodeManager
至此，在Linux集群上安装与配置Spark集群的步骤告一段落。
2.1.2 在Windows上安装与配置Spark
本节介绍在Windows系统上安装Spark的过程。在Windows环境下需要安装Cygwin模拟Linux的命令行环境来安装Spark。
（1）安装JDK
相对于Linux、Windows的JDK安装更加自动化，用户可以下载安装Oracle JDK或者OpenJDK。只安装JRE是不够的，用户应该下载整个JDK。
安装过程十分简单，运行二进制可执行文件即可，程序会自动配置环境变量。
（2）安装Cygwin
Cygwin是在Windows平台下模拟Linux环境的一个非常有用的工具，只有通过它才可以在Windows环境下安装Hadoop和Spark。具体安装步骤如下。
1）运行安装程序，选择install from internet。
2）选择网络最好的下载源进行下载。
3）进入Select Packages界面（见图2-2），然后进入Net，选择openssl及openssh。因为之后还是会用到ssh无密钥登录的。
另外应该安装“Editors Category”下面的“vim”。这样就可以在Cygwin上方便地修改配置文件。
最后需要配置环境变量，依次选择“我的电脑”→“属性”→“高级系统设置”→“环境变量”命令，更新环境变量中的path设置，在其后添加Cygwin的bin目录和Cygwin的usr\bin两个目录。
（3）安装sshd并配置免密码登录
1）双击桌面上的Cygwin图标，启动Cygwin，执行ssh-host-config -y命令，出现如
图2-3所示的界面。
2）执行后，提示输入密码，否则会退出该配置，此时输入密码和确认密码，按回车键。最后出现Host configuration finished.Have fun!表示安装成功。
3）输入net start sshd，启动服务。或者在系统的服务中找到并启动Cygwin sshd服务。
注意，如果是Windows 8操作系统，启动Cygwin时，需要以管理员身份运行（右击图标，选择以管理员身份运行），否则会因为权限问题，提示“发生系统错误5”。
（4）配置SSH免密码登录
1）执行ssh-keygen命令生成密钥文件，如图2-4所示。
2）执行此命令后，在你的Cygwin\home\用户名路径下面会生成.ssh文件夹，可以通过命令ls -a /home/用户名 查看，通过ssh -version命令查看版本。
3）执行完ssh-keygen命令后，再执行下面命令，生成authorized_keys文件。
cd ~/.ssh/
cp id_dsa.pub authorized_keys
这样就配置好了sshd服务。
（5）配置Hadoop
修改和配置相关文件与Linux的配置一致，读者可以参照上文Linux中的配置方式，这里不再赘述。
（6）配置Spark
修改和配置相关文件与Linux的配置一致，读者可以参照上文Linux中的配置方式，这里不再赘述。
（7）运行Spark
1）Spark的启动与关闭
①在Spark根目录启动Spark。
./sbin/start-all.sh
②关闭Spark。
./sbin/stop-all.sh
2）Hadoop的启动与关闭
①在Hadoop根目录启动Hadoop。
./sbin/start-all.sh
②关闭Hadoop。
./sbin/stop-all.sh
3）检测是否安装成功
正常状态下会出现如下内容。
-bash-4.1# jps
23526 Jps
2127 Master
7396 NameNode
7594 SecondaryNameNode
7681 ResourceManager
1053 DataNode
31935 NodeManager
1405 Worker
如缺少进程请到logs文件夹下查看相应日志，针对具体问题进行解决。