📋 博主简介

• 💖 作者简介：大家好，我是wux_labs。😜
  热衷于各种主流技术，热爱数据科学、机器学习、云计算、人工智能。
  通过了TiDB数据库专员（PCTA）、TiDB数据库专家（PCTP）、TiDB数据库认证SQL开发专家（PCSD）认证。
  通过了微软Azure开发人员、Azure数据工程师、Azure解决方案架构师专家认证。
  对大数据技术栈Hadoop、Hive、Spark、Kafka等有深入研究，对Databricks的使用有丰富的经验。
• 📝 个人主页：wux_labs，如果您对我还算满意，请关注一下吧~🔥
• 📝 个人社区：数据科学社区，如果您是数据科学爱好者，一起来交流吧~🔥
• 🎉 请支持我：欢迎大家 点赞👍+收藏⭐️+吐槽📝，您的支持是我持续创作的动力~🔥

《PySpark大数据分析实战》-11.Spark on YARN模式安装Hadoop

前言

大家好！今天为大家分享的是《PySpark大数据分析实战》第2章第4节的内容：Spark on YARN模式安装Hadoop。

Spark独立集群模式还可以部署成高可用模式，在集群中部署多个Master节点，其中一个Master是Active的，其余是StandBy的。Spark独立集群、Spark高可用独立集群都是可用于生产环境的集群部署模式，在这两种集群模式下，Spark除了担任计算引擎，还需要承担资源管理的工作。Spark本身定位于一个计算引擎，而不是资源管理框架，Spark已经将资源管理模块做了抽象，支持外部资源管理框架对Spark的集群资源进行管理，再用独立集群模式自己做资源管理调度就没那么必要了。

在企业中，涉及大数据处理的，通常都会部署Hadoop集群、HDFS文件系统，同时就会有YARN资源管理调度框架，完全可以将Spark的资源管理工作交给YARN来做，YARN承担资源管理调度工作，Spark专注于计算，因此就有了Spark on YARN的集群模式。本节将介绍Spark on YARN的安装，Spark on YARN的安装，至少需要3台服务器，在安装之前，按照本章第1节步骤准备好3台服务器。

安装Hadoop集群

Hadoop的安装非常简单，将下载的Hadoop软件安装包解压到目标位置、配置Hadoop相关的环境变量即安装完成。Spark on YARN模式下，Spark应用程序在提交执行的时候，YARN会根据集群的资源情况选择分配执行应用程序的节点，从选中的节点启动Spark，为了保证Spark能启动成功，需要在Hadoop集群的每台服务器节点上都安装有Spark软件。Hadoop和Spark软件解压到目录路径，命令如下：

$ tar -xzf hadoop-3.3.5.tar.gz -C apps
$ tar -xzf spark-3.4.0-bin-hadoop3.tgz -C apps

需要在集群的每个节点上都安装Hadoop和Spark，可以复制软件安装包到每个节点进行分别安装，也可以将安装好软件的apps目录同步到每个节点上。
Hadoop的目录结构如图所示。

• bin目录下存放的是Hadoop相关的常用命令，例如操作HDFS的hdfs命令，以及hadoop、yarn等命令。
• etc目录下存放的是Hadoop的配置文件，对HDFS、MapReduce、YARN以及集群节点列表的配置都在这个里面。
• sbin目录下存放的是管理集群相关的命令，例如启动集群、启动HDFS、启动YARN、停止集群等的命令。
• share目录下存放了一些Hadoop的相关资源，例如文档以及各个模块的Jar包。

配置环境变量

在集群的每个节点上都配置Hadoop和Spark相关的环境变量，Hadoop集群在启动的时候可以使用start-all.sh一次性启动集群中的HDFS和YARN，而Spark的集群启动命令也是start-all.sh，在Spark on YARN下不需要启动Spark集群，为了防止在启动Hadoop集群的时候命令冲突，需要将Hadoop相关的路径配置在PATH变量的前面部分，Spark相关的路径配置在PATH变量的后面部分，执行启动集群start-all.sh的时候会优先寻找到并使用Hadoop的启动命令，正确启动Hadoop集群。在node1上配置环境变量，命令如下：

$ vi .bashrc

环境变量配置内容如下：

export HADOOP_HOME=/home/hadoop/apps/hadoop-3.3.5
export HADOOP_CONF_DIR=/home/hadoop/apps/hadoop-3.3.5/etc/hadoop
export YARN_CONF_DIR=/home/hadoop/apps/hadoop-3.3.5/etc/hadoop
export SPARK_HOME=/home/hadoop/apps/spark-3.4.0-bin-hadoop3
PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
export PATH

环境变量配置完成后，执行命令让新配置的环境变量生效，命令如下：

$ source ~/.bashrc

配置Hadoop集群

Hadoop软件安装完成后，每个节点上的Hadoop都是独立的软件，需要进行配置才能组成Hadoop集群。Hadoop的配置文件在$HADOOP_HOME/etc/hadoop目录下，主要配置文件有：

• hadoop-env.sh主要配置Hadoop环境相关的信息，例如安装路径、配置文件路径等。
• core-site.xml是Hadoop的核心配置文件，主要配置Hadoop的NameNode的地址、Hadoop产生的文件目录等。
• hdfs-site.xml是HDFS相关的配置文件，主要配置文件的副本数、HDFS文件系统在本地对应的目录等。
• mapred-site.xml是MapReduce相关的配置文件，主要配置MapReduce如何运行、依赖类库路径等。
• yarn-site.xml是YARN相关的配置文件，主要配置YARN的管理节点ResourceManager的地址、NodeManager获取数据的方式等。
• workers是集群中节点列表的配置文件，只有在这个文件里面配置了的节点才会加入到Hadoop集群中，否则就是一个独立节点。

这几个配置文件如果不存在，可以通过复制配置模板的方式创建，也可以通过创建新文件的方式创建。需要保证在集群的每个节点上这6个配置保持同步，在node1上配置所有配置文件。

hadoop-env.sh配置命令如下：

$ vi $HADOOP_HOME/etc/hadoop/hadoop-env.sh

hadoop-env.sh配置内容如下：

export JAVA_HOME= /usr/lib/jvm/java-8-openjdk-amd64
export HADOOP_HOME=/home/hadoop/apps/hadoop-3.3.5
export HADOOP_CONF_DIR=/home/hadoop/apps/hadoop-3.3.5/etc/hadoop
export HADOOP_LOG_DIR=/home/hadoop/logs/hadoop

core-site.xml配置命令如下：

$ vi $HADOOP_HOME/etc/hadoop/core-site.xml

core-site.xml配置内容如下：

<configuration><property><name>fs.defaultFS</name><value>hdfs://node1:8020</value></property><property><name>hadoop.tmp.dir</name><value>/home/hadoop/works/hadoop/temp</value></property><property><name>hadoop.proxyuser.hadoop.hosts</name><value>*</value></property><property><name>hadoop.proxyuser.hadoop.groups</name><value>*</value></property>
</configuration>

hdfs-site.xml配置命令如下：

$ vi $HADOOP_HOME/etc/hadoop/hdfs-site.xml

hdfs-site.xml配置内容如下：

<configuration><property><name>dfs.replication</name><value>3</value></property><property><name>dfs.namenode.name.dir</name><value>/home/hadoop/works/hadoop/hdfs/name</value></property><property><name>dfs.datanode.data.dir</name><value>/home/hadoop/works/hadoop/hdfs/data</value></property>
</configuration>

mapred-site.xml配置命令如下：

$ vi $HADOOP_HOME/etc/hadoop/mapred-site.xml

mapred-site.xml配置内容如下：

<configuration><property><name>mapreduce.framework.name</name><value>yarn</value></property><property><name>mapreduce.application.classpath</name><value>$HADOOP_HOME/share/hadoop/mapreduce/*:$HADOOP_HOME/share/hadoop/mapreduce/lib/*</value></property>
</configuration>

yarn-site.xml配置命令如下：

$ vi $HADOOP_HOME/etc/hadoop/yarn-site.xml

yarn-site.xml配置内容如下：

<configuration><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property><property><name>yarn.resourcemanager.hostname</name><value>node1</value></property>
</configuration>

workers配置命令如下：

$ vi $HADOOP_HOME/etc/hadoop/workers

workers配置内容如下：

node1
node2
node3

环境信息同步

确保3台服务器上的配置文件完全一致，为了防止配置出错，直接使用命令将node1上的配置文件复制到其他服务器上，复制命令如下：

$ scp -r .bashrc apps node2:~/
$ scp -r .bashrc apps node3:~/

格式化NameNode

所有节点上都安装完成Hadoop、Spark的软件，完成所有节点的环境变量配置、域名解析配置、配置文件配置，在启动集群之前还需要进行NameNode的格式化操作，在NameNode所在的node1节点上执行格式化，命令如下：

$ hdfs namenode -format

NameNode格式化完成后，在目录/home/hadoop/works/hadoop/hdfs/name下会生成current目录，在current目录中会包含fsimage文件，它是NameNode的一个元数据文件，记录了当前HDFS文件系统中的所有目录和文件的元数据信息。

结束语

好了，感谢大家的关注，今天就分享到这里了，更多详细内容，请阅读原书或持续关注专栏。