点击蓝字关注我
前面用了一篇文章详细的介绍了集群HDFS文件系统的搭建,HDFS文件系统只是一个用于存储数据的系统,它主要是用来服务于大数据计算框架,例如MapReduce、Spark,本文就接着上一篇文章来详细介绍一下Spark集群的搭建及Spark的运行原理、运行模式。
—▼—
Spark集群环境搭建
如果已经理解了前文Hadoop集群环境的搭建,那么学习Spark集群环境的搭建会容易很多,因为Hadoop和Spark不仅安装包目录结构非常相似,在配置方面也十分接近。均是在master节点上进行所有配置,然后打包复制到每个slave节点,然后启动集群Spark即可,下面就来详细介绍一下Spark集群环境的搭建。
下载安装
进入Spark的下载目录,
https://spark.apache.org/downloads.html
可以看到Spark分多个版本,有基于Hadoop构建好的,有没基于Hadoop构建的,有基于Hadoop2.6之前版本构建的,也有基于Hadoop2.7以后版本构建的,由于前面讲解Hadoop集群环境搭建时采用的是Hadoop 3.2.1,因此,而且本文需要使用HDFS依赖Hadoop,因此需要下载Pre-built for Apache Hadoop 2.7 and later,
把spark-2.4.4-bin-hadoop2.7.tgz文件下载到home路径下,然后解压到指定目录,
$ tar -zxvf ~/spark-2.4.4-bin-hadoop2.7.tgz -C /usr/local/
然后进入目录并像Hadoop那样,修改Spark目录的拥有者,
$ cd /usr/local$ sudo mv ./spark-2.4.4-bin-hadoop2.7 ./spark$ sudo chowm -R user_name ./spark
配置环境变量
修改bashrc,配置环境变量,把Spark的bin和sbin路径加入到环境变量,
$ vim ~/.bashrcexport SPARK_HOME=/usr/local/sparkexport PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbinexport PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:$PYTHONPATHexport PYSPARK_PYTHON=python3
Master节点配置
进入Spark目录,修改spark-env.sh文件,
$ cd /usr/local/spark$ vim ./conf/spark-env.sh
在spark-env.sh中添加下面内容,
export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)export HADOOP_CONF_DIR=/usr/local/hadoop/etc/hadoopexport SPARK_MASTER_IP=10.110.113.132
SPARK_MASTER_IP指定的是master节点的IP,后面启动集群Spark时slave节点会注册到SPARK_MASTER_IP,如果这一项不配置,Spark集群则没有可使用资源,
修改slaves文件
配置完master节点信息之后需要配置slave节点信息,slave节点的信息配置在slaves
文件里,由于Spark目录下没有这个文件,因此需要首先从slaves.template拷贝一下,
$ cd /usr/local/spark/$ cp ./conf/slaves.template ./conf/slaves
然后添加如下内容,
slave0slave0slave1
需要注意的是,slaves
文件里配置的是运行作业任务的节点(worker),这样的话master的节点只作为控制节点,而不作为工作节点,如果需要把master节点的资源也充分利用起来,需要把master节点也加入到slaves
文件中。
slave节点配置
首先在master节点上把配制好的目录进行打包,拷贝到每个slave节点上,
$ cd /usr/local$ tar -zcf ~/spar.tar.gz ./spark$ scp ~/spark/tar.gz slave0:~/$ scp ~/spark/tar.gz slave1:~/$ scp ~/spark/tar.gz slave2:~/
然后在每个slave节点上执行下方命令,把文件解压到相应路径下,
$ sudo rm -rf /usr/local/spark$ sudo tar -zxvf ~/spark.tar.gz -C /usr/local$ sudo chown -R user_name /usr/local/spark
这样就完成了slave节点的配置。
启动Spark集群
如果要使用HDFS的话,在启动Spark集群前需要先启动Hadoop集群,
$ cd /usr/local/hadoop/$ ./sbin/start-all.sh
然后进入Spark目录,启动Spark集群,
$ cd /usr/local/spark$ ./sbin/start-all.sh
需要说明一下,前面配置Hadoop集群是提到,需要配置ssh免密登陆,对于Spark也是同样的道理,如果不配置ssh免密登陆的话,执行./sbin/start-all.sh
会提示输入密码。
除了使用./sbin/start-all.sh
启动Spark集群外,还可以分开启动,先启动master节点,然后启动slave节点,
$ ./sbin/start-master.sh$ ./sbin/start-slaves.sh
如果前面没有完成Master节点配置指定master节点IP,那么执行./sbin/start-slaves.sh
时则无法注册master节点的IP,这样集群计算资源则无法使用。除了配置spark-env.sh指定master节点IP外,还可以通过下面方式指定注册的master节点IP,
$ ./sbin/start-slave.sh 10.110.113.132
然后分别在master节点和slave节点执行下面命令会看到分别多出一个Master
进程和Worker
进程。
Spark基本使用
运行原理
如果使用过tensorflow的话,应该对Spark的使用很容易理解,Spark的计算过程和tensorflow有相似之处。
回忆一下,我们在使用tensorflow时需要首先构造一个计算图,然后实例化一个session,然后用session.run来启动图运算。
其实Spark也是这样,RDD(弹性分布式数据集)是Spark中最重要的概念之一,它提供了一个共享内存模型。Saprk的执行过程中主要包括两个动作:转换与行动。其中转换操作就如同tensorflow中的构造计算图的过程,在这个过程中Spark构造一个有向无环图(DAG),但是不进行运算,输入为RDD输出则是一个不同的RDD,当执行行动操作时就如同tensorflow中的session.run,开始执行运算。
Spark中有很多转换操作,例如,
groupByKey
reduceByKey
sortByKey
map
filter
join
……
行动操作包括,
count
collect
first
foreach
reduce
take
……
运行模式
Spark中通过master url来执行Spark的运行模式,Spark的运行模式包括本地运行、集群运行、yarn集群等,关于Spark master url的指定不同运行模式的含义如下,
URL值 | 运行模式 |
---|---|
local | 使用1个线程本地化运行 |
local[K] | 使用K个线程本地化运行 |
local[*] | 使用逻辑CPU个数数量的线程来本地化运行 |
spark://HOST:PORT | 指定集群模式运行Spark |
yarn-cluster | 集群模式连接YARN集群 |
yarn-client | 客户端模式连接YARN集群 |
mesos://HOST:PORT | 连接到指定的Mesos集群 |
示例
下面就以一个简单的示例把前面Hadoop和Spark串联在一起,讲解一下HDFS+Spark
的使用方法。上传数据到HDFS新建一个hello_world.txt的本地文件,并在文件中添加3行hello world
,然后上传至HDFS,$ cd /usr/local/hadoop/$ ./bin/hdfs dfs -mkdir -p /usr/hadoop$ touch hello_world.txt$ echo -e "hello world \nhello world \nhello world" >> hello_world.txt$ ./bin/hdfs dfs -put ./hello_world.txt /usr/hadoop
编写Spark程序新建一个spark.py
的Python文件,$ vim spark.py
添加如下内容,from pyspark import SparkConffrom pyspark import SparkContextconf = SparkConf().setAppName("FirstProject").setMaster("local[*]")sc = SparkContext.getOrCreate(conf)rdd = sc.textFile("hdfs:///master:9000/usr/hadoop/hello_world.txt")rdd.map(lambda line: line).foreach(print)
然后运行程序,$ python spark.pyhello worldhello worldhello world
以上就是Spark的集群配置过程和基本使用方法。▲
END
有趣的灵魂在等你长按扫码可关注
相关文章效率工具 | 推荐一款提高Python编程效率的神器实用工具 | 推荐5款值得安装的Windows工具学习资源 | 推荐2份Github热门校招面试汇总资料文章好看就点这里