spark on yarn搭建
一、hadoop集群搭建
1. 解压
如未指出，以下用户均以hadoop用户运行命令
cd /data/soft
tar –xvzf hadoop-.tar.gz –C /bigdata
mv hadoop- hadoop
2. 修改配置 hadoop-env.sh文件
cd /bigdata/hadoop/etc/hadoop
vim hadoop-env.sh
修改：
为：
export JAVA_HOME=/bigdata/jdk
保存退出。
3. 修改配置文件core-site.xml
添加如下：
<property>
<name>fs.defaultFS</name>
<value>hdfs://bigdata1:8020</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/bigdata/hadoop/storage/tmp/${user.name}</value>
</property>
4. 修改hdfs-site.xml文件
添加内容如下：
<property>
<name>dfs.namenode.name.dir</name>
<value>/bigdata/hadoop/storage/name/${user.name},/data/dfs-storage/name/${user.name}</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/bigdata/hadoop/storage/data/${user.name}</value>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
<property>
<name>dfs.secondary.http.address</name>
<value>bigdata1:50090</value>
</property>
<property>
<name>dfs.namenode.http-address</name>
<value>bigdata1:50070</value>
</property>
如果你的服务器挂载了两块硬盘可以设置两个路径，以逗号隔开，这样namenode的数据将保存两份，如果其中一份硬盘坏了，便可使用备份的数据进行恢复。
5. 修改mapred-site.xml 文件
mv mapred-site.xml.template mapred-site.xml
vim mapred-site.xml
修改内容如下：
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
6. 修改yarn-site.xml文件
添加内容如下：
<property>
<name>yarn.resourcemanager.hostname</name>
<value>bigdata1</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
7. 修改salves文件
vim salves
添加内容如下：
bigdata2
bigdata3
bigdata4
8. 修改日志存储路径
vim $HADOOP_HOME/etc/hadoop
修改HADOOP_LOG_DIR为：
9. 复制节点
将hadoop-2.6.5文件夹复制到bigdata2、bigdata3、bigdata4节点中去
cd /bigdata
scp –r hadoop hadoop@bigdata2:$PWD
scp –r hadoop hadoop@bigdata3:$PWD
scp –r hadoop hadoop@bigdata4:$PWD
10. 设置环境变量
在bigdata1服务器执行如下命令：
sudo vim /etc/profile
添加如下内容：
export HADOOP_HOME=/bigdata/hadoop
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
11. 格式化namenode
12. 验证
1）、验证hdfs
在bigdata1启动hdfs，输入命令：
然后输入：
jps
在bigdata2、bigdata3、bigdata4输入命令：
jps
测试文件上传：
cd ~
vim test
输入一些单词，以空格隔开。保存上传至hdfs中。
hadoop fs –put test /
hadoop fs –ls /
2）、验证yarn
在bigdata1启动yarn，使用命令：
出入jps命令查看进程：
在bigdata2、bigdata3、bigdata4输入jps命令可查看到：
3）、mapreduce测试
cd $HADOOP_HOME
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-.jar wordcount /test /testout
二、scala安装
1. 版本说明
由于livy仅支持scala2.10版本编译的spark，所以scala版本选择为scala2.10.6。
2. 解压
cd /date/soft
tar -xvf scala-.tgz -C /bigdata
mv scala- scala
3. 配置环境变量
sudo vim /etc/profile
文件末尾添加：
export SCALA_HOME=/bigdata/scala
export PATH=$PATH:$SCALA_HOME/bin
保存退出。
4. 验证
source /etc/profile
scala
三、 安装Apache-Maven
1. 解压maven
cd /data/soft
tar -xvzf apache-maven--bin.tar.gz -C /bigdata
mv apache-maven- maven
2. 设置环境变量
sudo vim /etc/profile
在文件末尾添加：
export MAVEN_HOME=/bigdata/maven
export PATH=$PATH:$MAVEN_HOME/bin
保存退出。
3. 验证
source /etc/profile
mvn –version
显示如下内容：
Apache Maven 3.3.9 (bb52d8502b132ec0a5a3f4c09453c07478323dc5; 2015-11-11T00:41:47+08:00)
Maven home: /bigdata/maven
Java version: 1.7.0_79, vendor: Oracle Corporation
Java home: /bigdata/jdk/jre
Default locale: en_US, platform encoding: UTF-8
OS name: “linux”, version: “3.10.0-327.el7.x86_64”, arch: “amd64”, family: “unix”
四、 spark on yarn编译安装
1. 编译说明
livy目前版本只支持scala2.10编译的spark版本，且spark2.0以后仅提供基于scala2.11的预编译版本，所以需基于scala2.10手动编译spark2.0.1，所以采用可联通外网的linux服务器进行编译spark，不过目前github主干上的livy已经支持scala2.11编译的spark了。
2. 环境准备
maven3.3.9
jdk1.7+
3. 解压spark
上传至本地可联网服务器/home/hadoop目录解压：
cd /data/soft
tar -xvzf spark-.tgz -C /bigdata
mv /bigdata/spark- /bigdata/spark
4. 编译
1）、设置maven编译内存：
注：如果不设置编译过程导致内存溢出。
2）、设置编译scala的版本
cd /bigdata/spark
./dev/change-version-to-.sh
注：该命令将所有pom.xml文件的中scala版本依赖改成2.10版本，相应的也有change-version-to-2.11.sh的文件，该文件将所有的scala依赖更改为2.11版本。如果编译前不执行该命令，编译出错，错误如下：
3）、设置json4s的jar包版本
cd /bigdata/spark
vim pom.xml
搜索：/json4s
修改前：
修改后：
注：
当spark整合livy的时候，如果不修改json4s的版本的话，由于使用默认的版本为3.2.11，导致整合失败，因此在编译过程中需要更改该jar包的版本号为3.2.10。如果使用3.2.11版本，livy整合spark错误信息如下：
4）、编译：
编译有两种方式。
方式一：
cd /bigdata/spark
mvn -Psparkr -Pyarn -Phadoop- -Dhadoop.version= -Phive -Phive-thriftserver -Dscala- -DskipTests clean package
直接在spark目录下进行编译，这样导致的编译后的文件和源码全都在同一个包内，且编译后的jar包全部存放在各个子项目的target文件夹下，不推荐使用。
方式二：
执行spark自带的编译脚本
cd /bigdata/spark
./dev/make-distribution.sh --name custom-spark --tgz -Psparkr -Pyarn -Phadoop- -Dhadoop.version= -Phive -Phive-thriftserver -Dscala- -DskipTests
编译结果将在编译目录下生成可分布部署的压缩包：
spark-2.0.1-bin-custom-spark.tgz
建议使用方式二进行编译。
编译参数说明：
| 编译参数 | 参数说明 |
|---|---|
| -Psparkr： | 支持sparkR |
| -Pyarn: | 支持yarn |
| -Phadoop-2.6 | 支持hadoop版本 |
| -Phadoop.version=2.6.5 | 支持hadoop的具体版本 |
| -Phive | 支持hive |
| -Phive-thriftserver | 支持thriftserver发布sparksql server |
| -Dscala-2.10 | 基于scala编译版本 |
| -DskipTests | 编译过程忽略测试类 |
至此spark编译成功。
注：编译过程常常因为网络原因导致编译失败，只要重新运行编译代码即可，耐心等待，总会成功。
5. 无法联网环境编译spark
可以在联网的环境下编译成功spark，如果采用方式二编译的spark，可以将该分布式部署包上传到不可联网的环境下进行部署。如果为了追求最佳性能，希望能在无法联网的环境下也编译成功spark，可以进行如下操作：
1）、将编译成功spark的linux环境下的maven本地仓库打包
查看本地仓库的位置。此处的设置为：/home/hadoop/.m2/repository
cd /home/hadoop/.m2/repository
tar –xvcf repository.spark.tar.gz repository
2）、上传至不可联网的集群服务器
a、如果本地服务器能够联通集群服务器，直接使用如下命令：
scp repository.spark.tar.gz 用户名@主机名或ip:存放路径
b、如果无法联通，可以借助secureCRT工具，从本地linux环境将相应的软件包下载至可联通集群服务器器bigdata1的系统环境中，然后借助secureCRT工具上传至集群服务器。
c、如果未安装secureCRT工具，可以使用ftp服务器进行进行拉取。首先在本地linux服务器安装ftpd服务，具体安装步骤请自行查阅资料。
本次使用方法a直接上传至集群服务器。
3）、覆盖maven仓库
查看集群maven仓库
未设置，未默认存储路径: $HOME/.m2/repository
将上传的到集群服务器的repository.tar.gz解压到该目录并覆盖repository:
cd $HOME/.m2
tar -xvzf /data/soft/repository.spark.tar.gz –C .
find ~/.m2/repository -name _remote.repositories |xargs rm –rf
注：如果不执行find ~/.m2/repository -name _remote.repositories |xargs rm –rf该命令直接进行编译，maven依旧会从远程服务器更新版本，而无法编译。主要是因为maven的repository中的每个jar包所在目录都会存在一个这样的文件：_maven.repositories。这个文件存放着原始repository的相关信息，由于移动了repository仓库，编译过程中，maven发现原始记录的repository信息与实际不一致，便会试着去更新相关的pom文件。
因此执行该命令，删除所有的_maven.repositories文件，便可阻止maven更新。
4）、集群编译
cd /bigdata/
tar -xvf /date/soft/spark-.tar -C .
mv spark- spark
cd spark
编译前的设置参照前文设置。
执行mvn命令进行编译。使用./dev/make-distribution.sh该脚本编译始终要下载些文件，导致无法编译，可能还需要拷贝maven的什么设置才行，具体没有研究。
mvn -Psparkr -Pyarn -Phadoop- -Dhadoop.version= -Phive -Phive-thriftserver -Dscala- -DskipTests clean package
6. 配置spark-env.conf
cd /bigdata/spark/conf
mv spark-env.sh.template spark-env.sh
vim spark-env.sh
文件末尾添加如下内容：
export JAVA_HOME=/bigdata/jdk
export SCALA_HOME=/bigdata/scala
export HADOOP_HOME=/bigdata/hadoop
如果/etc/profile设置了也可以跳过此步骤
7. 修改日志存储路径
添加以下内容：
8. 配置/etc/profile
sudo vim /etc/profile
文件末尾添加以下内容：
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="$HADOOP_OPTS -Djava.library.path=$HADOOP_HOME/lib/native"
export HADOOP_PREFIX=$HADOOP_HOME
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HDFS_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/native
export SPARK_HOME=/bigdata/spark
保存退出。
9. 验证
source /etc/profile
cd /bigdata/spark
运行Pi测试：
./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster\
--driver-memory 2g \
--executor-memory 3g \
--executor-cores 3 \
examples/jars/spark-examples_2.10-2.0.1.jar \
10
主节点进程：
子节点进程：
子节点会出现ApplicationMaster、ExecutorLauncher、CoarseGraineExecutorBackend相关进程，ApplicationMaster就相当于driver端了，一个sparkContext在集群中对应生成一个ApplicationMaster。随着任务结束，进程最终消失。
输出结果：
./bin/spark-submit –class org.apache.spark.examples.SparkPi \
–master yarn \
–deploy-mode client \
–driver-memory 2g \
–executor-memory 3g \
–executor-cores 3 \
examples/jars/spark-examples_2.10-2.0.1.jar \
10
client模式，那spark-submit就相当于driver端了，结果可以直接在控制台看到。输出结果：
限水平有限，哪里说的不对，欢迎拍砖，相互学习，相互进步