/ 中存储网

图文介绍大数据利器Spark的单机部署与测试笔记

2014-05-14 11:10:41 来源:中存储

前言:Spark作为最有可能代替mapreduce的分布式计算框架,正受到广泛的关注。相比Hadoop来说,Spark的中间计算结果存于内存无疑给计算过程节省了很多时间,于是想试试看其与Hadoop有什么不一样的地方,就有了这篇Spark的单机部署与测试笔记。


一、硬件环境

  • 操作系统: ubuntu-13.04-desktop-i386
  • JAVA: jdk1.7
  • SSH配置: openssh-server

二、资源准备

什么是Spark?以下为Spark官网的一句话简介:

Apache Spark™ is a fast and general engine for large-scale data processing.

Spark包资源下载地址:点击进入下载页面

我安装的版本是:0.9.1版本,源码包为:spark-0.9.1.tgz

Spark有以下四种运行模式:

  • local:本地单进程模式,用于本地开发测试Spark代码
  • standalone:分布式集群模式,Master-Worker架构,Master负责调度,Worker负责具体Task的执行
  • on yarn/mesos:运行在yarn/mesos等资源管理框架之上,yarn/mesos提供资源管理,spark提供计算调度,并可与其他计算框架(如MapReduce/MPI/Storm)共同运行在同一个集群之上
  • on cloud(EC2):运行在AWS的EC2之上

Spark支持local模式和cluster模式,local不需要安装mesos;如果需要将spark运行在cluster上,需要安装mesos。


三、安装部署

先把Scala和git装好,因为之后的sbt/sbt执行的是使用spark自带的sbt编译/打包。

sudo apt-get update
sudo apt-get install scala

我们需要做的其实就两步,解压缩与编译。

$tar -zxvf spark-0.9.1.tgz -C /home/hadoop/software/spark
$cd /home/hadoop/software/spark/spark-0.9.1
$sbt/sbt assembly

这一段时间等的会比较长,耐心些。


四、检验测试

Spark有两种运行模式。

4.1 Spark-shell

此模式用于interactive programming,具体使用方法如下(先进入bin文件夹)。

$ ./spark-shell

出现如下信息:

    14/05/10 14:18:23 INFO HttpServer: Starting HTTP Server
    Welcome to
          ____              __
         / __/__  ___ _____/ /__
        _ / _ / _ `/ __/  '_/
       /___/ .__/_,_/_/ /_/_   version 0.9.1
          /_/

    Using Scala version 2.10.3 (Java HotSpot(TM) Server VM, Java 1.7.0_51)
    Type in expressions to have them evaluated.
    Type :help for more information.
    14/05/10 14:18:34 INFO Slf4jLogger: Slf4jLogger started
    14/05/10 14:18:34 INFO Remoting: Starting remoting
    14/05/10 14:18:34 INFO Remoting: Remoting started; 
    ……
    Created spark context..
    Spark context available as sc.

然后输入如下信息:

scala> val days = List("Sunday", "Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday")
days: List[java.lang.String] = List(Sunday, Monday, Tuesday, Wednesday, Thursday, Friday, Saturday)

scala> val daysRDD = sc.parallelize(days)
daysRDD: spark.RDD[java.lang.String] = ParallelCollectionRDD[0] at  parallelize at <console>:14

scala> daysRDD.count()

在经过一系列计算后,显示如下信息:

res0: Long = 7

4.2 Run脚本

用于运行已经生成的jar包中的代码,如Spark自带的example中的SparkPi.

$./bin/run-example org.apache.spark.examples.SparkPi local[3]  

local代表本地,[3]表示3个线程跑。

计算结果如下:

Pi is roughly 3.1444


五、学习建议

在配置过程中看到他人给的一些建议,于是搜集起来供以后学习参考。

  • 如何写一些spark application?

多看一些spark例子,如:http://www.spark-project.org/examples.html,https://github.com/mesos/spark/tree/master/examples

  • 遇到问题怎么办?

首先是google遇到的问题,如果还是解决不了就可以到spark google group去向作者提问题:http://groups.google.com/group/spark-users?hl=en

  • 想深入理解spark怎么办?

阅读spark的理论paper:http://www.eecs.berkeley.edu/Pubs/TechRpts/2011/EECS-2011-82.pdf

阅读spark源代码:https://github.com/mesos/spark

作者:hijiangtao

新浪微博:@hijiangtao

技术博客:Data.Blog

End.