2.4 安装 Hadoop 和 Spark 集群
在安装 Hadoop和Spark之前，让我们来了解一下 Hadoop和Spark的版本。在 Cloudera、Hortonworks和MapR这所有三种流行的Hadoop发行版中，Spark都是作为服务提供的。在本书编写的时候，最新的Hadoop和Spark版本分别是2.7.2和2.0。但是，Hadoop发行版里可能是一个较低版本的Spark，这是因为Hadoop和 Spark 的发行周期并不同步。
对于后续章节的实践练习，我们会使用来自 Cloudera、Hortonworks 和 MapR 的免费虚拟机（virtual machine，VM），或使用开源版本的 Apache Spark。这些 VM 让我们很容易开始使用 Spark 和 Hadoop。同样的练习也可以在较大的集群上运行。
在笔记本电脑上使用虚拟机的先决条件如下：
8 GB 或以上内存
至少 2 个虚拟 CPU
Windows 或 Linux 操作系统必须安装了最新的 VMWare Player 或 Oracle VirtualBox
Mac需要最新的 Oracle VirtualBox 或 VMWare Fusion
在 BIOS 中启用虚拟化
建议使用 Chrome 25+、IE 9+、Safari 6+ 或 Firefox 18+（HDP Sandbox 不会在 IE 10 上运行）
Putty
WinSCP
下载并运行 Cloudera Hadoop 发行版（Cloudera Distribution for Hadoop，CDH）的说明如下：
（1）从http://www.cloudera.com/content/www/en-us/downloads.html下载最新的 quickstart CDH VM。请根据笔记本电脑上安装的虚拟化软件（VirtualBox 或 VMWare）来下载相应的版本。
（2）将其解压缩到一个目录下（使用 7-Zip 或 WinZip）。
（3）在使用 VMWare Player 的情况下，单击Open a Virtual Machine，并指向你已经解压缩了虚拟机的目录。选择 cloudera-quickstart-vm-5.x.x-x-vmware.vmx 文件，然后单击 Open。
（4）单击Edit virtual machine settings，然后把内存增加到 7 GB（如果你的笔记本电脑有 8 GB 内存）或 8 GB（如果您的笔记本电脑有超过 8 GB 内存）。将处理器数量增加到 4 个。单击 OK。
（5）单击Play virtual machine。
（6）选择I copied it，然后单击 OK。
（7）这样，你的虚拟机就会启动并运行了。
（8）Cloudera Manager 安装在虚拟机上，但默认情况下处于关闭状态。如果要使用 Cloudera Manager，请双击并运行 Launch Cloudera Manager Express以设置 Cloudera Manager。它在启动/停止/重新启动集群上服务的过程中是有帮助的。
（9）虚拟机的登录凭据是用户名（cloudera）和密码（cloudera）。
如果你要使用 Cloudera Quickstart 的 Docker 镜像，可以参照 http://blog.cloudera.com/blog/2015/12/docker-is-the-new-quickstart-option-for-apache-hadoop-and-cloudera 上的说明。
下载和运行 Hortonworks 数据平台（Hortonworks Data Platform，HDP）Sandbox 的说明如下：
（1）从http://hortonworks.com/products/hortonworks-sandbox/#install下载最新版本的 HDP Sandbox。请根据笔记本电脑上安装的虚拟化软件（VirtualBox 或 VMWare）下载相应的版本。
（2）按照同一个下载页面上的安装指南中的说明进行操作。
（3）打开浏览器并输入 sandbox 中显示的地址，如 http://192.168.139.158/ 。单击View Advanced Options以查看所有链接。
（4）使用 putty 作为root用户，hadoop作为初始密码来访问 sandbox。你需要在首次登录时更改密码。此外，可以运行ambari-admin-password-reset命令重置Ambari的管理员密码。
（5）要开始使用 Ambari，请打开浏览器并输入 ipaddressofsandbox:8080，并使用上一步创建的管理凭据。启动 Ambari 所需的服务。
（6）要将主机名映射到 Windows 中的 IP 地址，请转到 C:WindowsSystem32driversetchosts，然后输入 IP 地址和主机名，中间用空格分隔符隔开。你需要管理员权限才能执行此操作。
下载和运行 MapR Sandbox 的说明如下：
（1）从https://www.mapr.com/products/mapr-sandbox-hadoop/download下载最新的 sandbox。请根据笔记本电脑上安装的虚拟化软件（VirtualBox 或 VMWare）下载相应的版本。
（2）按照 http://doc.mapr.com/display/MapR/MapR+Sandbox+for+Hadoop上的说明设置 sandbox。
（3）使用 Putty 登录到 sandbox。
（4）root 用户的密码是 mapr。
（5）要启动 HUE 或 MapR 控制系统（MapR Control System，MCS），请导航到 MapR Sandbox 提供的 URL。
（6）要将主机名映射到 Windows 中的 IP 地址，请转到 C:WindowsSystem32driversetchosts，然后输入 IP 地址和主机名，中间用空格分隔符隔开。
下面给出了下载和运行 Apache Spark 预制二进制文件的说明，以便在你预先安装了 Hadoop 集群的情况下使用。以下说明还可用于安装最新版本的 Spark，并在之前的虚拟机上使用它：
（1）从以下位置下载为 Hadoop 预制的 Spark：
（2）把 SPARK_HOME 和 PATH 变量添加到配置文件脚本，如以下命令所示，这样每次登录时这些环境变量就都设置好了：
（3）通过向 spark-env.sh 添加以下环境变量，让 Spark 了解 Hadoop 配置目录和 Java home。请复制 conf 目录中的模板文件：
（4）将 hive-site.xml 复制到 Spark 的 conf 目录：
（5）在复制模板文件后，将 spark-2.0.0-bin-hadoop2.7/conf/log4j.properties 文件中的日志级别（log level）更改为 ERROR。
运行 Spark 要求的编程语言版本：
Java: 7+
Python: 2.6+/3.1+
R: 3.1+
Scala: Spark 1.6 用 2.10 以下版本的 Scala，Spark 2.0 用 2.11 以上版本的 Scala
请注意，前面的虚拟机是单节点集群。如果你计划设置多节点集群，请按照各个发型版（例如 CDH、HDP 或 MapR）给出的指导原则。如果你计划使用 Standalone 集群管理器，下一章会介绍它的设置。