共计 13652 个字符，预计需要花费 35 分钟才能阅读完成。
Spark 是 Apache 公司推出的一种基于 Hadoop Distributed File System(HDFS)的并行计算架构。与 MapReduce 不同，Spark 并不局限于编写 map 和 reduce 两个方法，其提供了更为强大的内存计算 (in-memory computing) 模型，使得用户可以通过编程将数据读取到集群的内存当中，并且可以方便用户快速地重复查询，非常适合用于实现机器学习算法。本文将介绍 Apache Spark1.1.0 部署与开发环境搭建。
更多 Spark 相关教程见以下内容：
CentOS 7.0 下安装并配置 Spark http://www.linuxidc.com/Linux/2015-08/122284.htm
Spark1.0.0 部署指南 http://www.linuxidc.com/Linux/2014-07/104304.htm
CentOS 6.2(64 位)下安装 Spark0.8.0 详细记录 http://www.linuxidc.com/Linux/2014-06/102583.htm
Spark 简介及其在 Ubuntu 下的安装使用 http://www.linuxidc.com/Linux/2013-08/88606.htm
安装 Spark 集群(在 CentOS 上) http://www.linuxidc.com/Linux/2013-08/88599.htm
Hadoop vs Spark 性能对比 http://www.linuxidc.com/Linux/2013-08/88597.htm
Spark 安装与学习 http://www.linuxidc.com/Linux/2013-08/88596.htm
Spark 并行计算模型 http://www.linuxidc.com/Linux/2012-12/76490.htm
0. 准备
出于学习目的，本文将 Spark 部署在虚拟机中，虚拟机选择 VMware WorkStation。在虚拟机中，需要安装以下软件：
- Ubuntu 14.04.1 LTS 64 位桌面版
- hadoop-2.4.0.tar.gz
- jdk-7u67-linux-x64.tar.gz
- scala-2.10.4.tgz
- spark-1.1.0-bin-hadoop2.4.tgz
Spark 的开发环境，本文选择 Windows7 平台，IDE 选择 IntelliJ IDEA。在 Windows 中，需要安装以下软件：
- IntelliJ IDEA 13.1.4 Community Edition
- apache-maven-3.2.3-bin.zip(安装过程比较简单，请读者自行安装)
1. 安装 JDK
解压 jdk 安装包到 /usr/lib 目录：
1 sudo cp jdk-7u67-linux-x64.gz /usr/lib
2 cd /usr/lib
3 sudo tar -xvzf jdk-7u67-linux-x64.gz
4 sudo gedit /etc/profile在 /etc/profile 文件的末尾添加环境变量：
1 export JAVA_HOME=/usr/lib/jdk1.7.0_67
2 export JRE_HOME=/usr/lib/jdk1.7.0_67/jre
3 export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
4 export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH保存并更新 /etc/profile：
1 source /etc/profile测试 jdk 是否安装成功：
1 java -version
2. 安装及配置 SSH
1 sudo apt-get update
2 sudo apt-get install openssh-server
3 sudo /etc/init.d/ssh start生成并添加密钥：
1 ssh-keygen -t rsa -P ""
2 cd /home/hduser/.ssh
3 cat id_rsa.pub >> authorized_keysssh 登录：
1 ssh localhost
3. 安装 hadoop2.4.0
采用伪分布模式安装 hadoop2.4.0。解压 hadoop2.4.0 到 /usr/local 目录：
1 sudo cp hadoop-2.4.0.tar.gz /usr/local/
2 sudo tar -xzvf hadoop-2.4.0.tar.gz在 /etc/profile 文件的末尾添加环境变量：
1 export HADOOP_HOME=/usr/local/hadoop-2.4.0
2 export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
3
4 export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
5 export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"保存并更新 /etc/profile：
1 source /etc/profile在位于 /usr/local/hadoop-2.4.0/etc/hadoop 的 hadoop-env.sh 和 yarn-env.sh 文件中修改 jdk 路径：
1 cd /usr/local/hadoop-2.4.0/etc/hadoop
2 sudo gedit hadoop-env.sh
3 sudo gedit yarn-evn.shhadoop-env.sh：
yarn-env.sh：
修改 core-site.xml：
1 sudo gedit core-site.xml在 <configuration></configuration> 之间添加：
1 <property>
2 <name>fs.default.name</name>
3 <value>hdfs://localhost:9000</value>
4 </property>
5
6 <property>
7 <name>hadoop.tmp.dir</name>
8 <value>/app/hadoop/tmp</value>
9 </property>修改 hdfs-site.xml：
1 sudo gedit hdfs-site.xml在 <configuration></configuration> 之间添加：
修改 yarn-site.xml：
1 sudo gedit yarn-site.xml在 <configuration></configuration> 之间添加：
1 <property>
2 <name>mapreduce.framework.name</name>
3 <value>yarn</value>
4 </property>
5
6 <property>
7 <name>yarn.nodemanager.aux-services</name>
8 <value>mapreduce_shuffle</value>
9 </property>复制并重命名 mapred-site.xml.template 为 mapred-site.xml：
1 sudo cp mapred-site.xml.template mapred-site.xml
2 sudo gedit mapred-site.xml在 <configuration></configuration> 之间添加：
1 <property>
2 <name>mapreduce.jobtracker.address </name>
3 <value>hdfs://localhost:9001</value>
4 </property>在启动 hadoop 之前，为防止可能出现无法写入 log 的问题，记得为 /app 目录设置权限：
1 sudo mkdir /app
2 sudo chmod -R hduser:hduser /app格式化 hadoop：
1 hadoop namenode -format启动 hdfs 和 yarn。在开发 Spark 时，仅需要启动 hdfs：
1 sbin/start-dfs.sh
2 sbin/start-yarn.sh在浏览器中打开地址 http://localhost:50070/ 可以查看 hdfs 状态信息：
4. 安装 scala
1 sudo cp /home/hduser/Download/scala-2.9.3.tgz /usr/local
2 sudo tar -xvzf scala-2.9.3.tgz在 /etc/profile 文件的末尾添加环境变量：
1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export PATH=$SCALA_HOME/bin:$PATH保存并更新 /etc/profile：
1 source /etc/profile测试 scala 是否安装成功：
1 scala -version
5. 安装 Spark
1 sudo cp spark-1.1.0-bin-hadoop2.4.tgz /usr/local
2 sudo tar -xvzf spark-1.1.0-bin-hadoop2.4.tgz在 /etc/profile 文件的末尾添加环境变量：
1 export SPARK_HOME=/usr/local/spark-1.1.0-bin-hadoop2.4
2 export PATH=$SPARK_HOME/bin:$PATH保存并更新 /etc/profile：
1 source /etc/profile复制并重命名 spark-env.sh.template 为 spark-env.sh：
1 sudo cp spark-env.sh.template spark-env.sh
2 sudo gedit spark-env.sh在 spark-env.sh 中添加：
1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export JAVA_HOME=/usr/lib/jdk1.7.0_67
3 export SPARK_MASTER_IP=localhost
4 export SPARK_WORKER_MEMORY=1000m启动 Spark：
1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 sbin/start-all.sh测试 Spark 是否安装成功：
1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 bin/run-example SparkPi
6. 搭建 Spark 开发环境
本文开发 Spark 的 IDE 推荐 IntelliJ IDEA，当然也可以选择 Eclipse。在使用 IntelliJ IDEA 之前，需要安装 scala 的插件。点击 Configure：
点击 Plugins：
点击 Browse repositories…：
在搜索框内输入 scala，选择 Scala 插件进行安装。由于已经安装了这个插件，下图没有显示安装选项：
安装完成后，IntelliJ IDEA 会要求重启。
更多详情见请继续阅读下一页的精彩内容：http://www.linuxidc.com/Linux/2016-01/127856p2.htm
重启后，点击 Create New Project：
Project SDK 选择 jdk 安装目录，建议开发环境中的 jdk 版本与 Spark 集群上的 jdk 版本保持一致。点击左侧的 Maven，勾选 Create from archetype，选择 org.scala-tools.archetypes:scala-archetype-simple：
点击 Next 后，可根据需求自行填写 GroupId，ArtifactId 和 Version：
点击 Next 后，如果本机没有安装 maven 会报错，请保证之前已经安装 maven：
点击 Next 后，输入文件名，完成 New Project 的最后一步：
点击 Finish 后，maven 会自动生成 pom.xml 和下载依赖包。我们需要修改 pom.xml 中 scala 的版本：
1 <properties>
2 <scala.version>2.10.4</scala.version>
3 </properties>在 <dependencies></dependencies> 之间添加配置：
1 <!-- Spark -->
2 <dependency>
3 <groupId>org.apache.spark</groupId>
4 <artifactId>spark-core_2.10</artifactId>
5 <version>1.1.0</version>
6 </dependency>
7
8 <!-- HDFS -->
9 <dependency>
10 <groupId>org.apache.Hadoop</groupId>
11 <artifactId>hadoop-client</artifactId>
12 <version>2.4.0</version>
13 </dependency>
在 <build><plugins></plugins></build> 之间添加配置：
1 <plugin>
2 <groupId>org.apache.maven.plugins</groupId>
3 <artifactId>maven-shade-plugin</artifactId>
4 <version>2.2</version>
5 <executions>
6 <execution>
7 <phase>package</phase>
8 <goals>
9 <goal>shade</goal>
10 </goals>
11 <configuration>
12 <filters>
13 <filter>
14 <artifact>*:*</artifact>
15 <excludes>
16 <exclude>META-INF/*SF</exclude>
17 <exclude>META-INF/*.DSA</exclude>
18 <exclude>META-INF/*.RSA</exclude>
19 </excludes>
20 </filter>
21 </filters>
22 <transformers>
23 <transformer
24 implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
25 <mainClass>mark.lin.App</mainClass> // 记得修改成你的 mainClass
26 </transformer>
27 <transformer
28 implementation="org.apache.maven.plugins.shade.resource.AppendingTransformer">
29 <resource>reference.conf</resource>
30 </transformer>
31 </transformers>
32 <shadedArtifactAttached>true</shadedArtifactAttached>
33 <shadedClassifierName>executable</shadedClassifierName>
34 </configuration>
35 </execution>
36 </executions>
37 </plugin>Spark 的开发环境至此搭建完成。One more thing，wordcount 的示例代码：
1 package mark.lin //别忘了修改 package
2
3 import org.apache.spark.{SparkConf, SparkContext}
4 import org.apache.spark.SparkContext._
5
6 import scala.collection.mutable.ListBuffer
7
8 /**
9 * Hello world!
10 *
11 */
12 object App{13 def main(args: Array[String]) {14 if (args.length != 1) {15 println("Usage: java -jar code.jar dependencies.jar")
16 System.exit(0)
17 }
18 val jars = ListBuffer[String]()
19 args(0).split(",").map(jars += _)
20
21 val conf = new SparkConf()
22 conf.setMaster("spark://localhost:7077").setAppName("wordcount").set("spark.executor.memory", "128m").setJars(jars)
23
24 val sc = new SparkContext(conf)
25
26 val file = sc.textFile("hdfs://localhost:9000/hduser/wordcount/input/input.csv")
27 val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
28 println(count)
29 count.saveAsTextFile("hdfs://localhost:9000/hduser/wordcount/output/")
30 sc.stop()
31 }
32 } 7. 编译 & 运行
使用 maven 编译源代码。点击左下角，点击右侧 package，点击绿色三角形，开始编译。
在 target 目录下，可以看到 maven 生成的 jar 包。其中，hellworld-1.0-SNAPSHOT-executable.jar 是我们需要放到 Spark 集群上运行的。
在运行 jar 包之前，保证 hadoop 和 Spark 处于运行状态：
将 jar 包拷贝到 Ubuntu 的本地文件系统上，输入以下命令运行 jar 包：
1 java -jar helloworld-1.0-SNAPSHOT-executable.jar helloworld-1.0-SNAPSHOT-executable.jar在浏览器中输入地址 http://localhost:8080/ 可以查看任务运行情况：
8. Q&A
Q：在 Spark 集群上运行 jar 包，抛出异常“No FileSystem for scheme: hdfs”：
A：这是由于 hadoop-common-2.4.0.jar 中的 core-default.xml 缺少 hfds 的相关配置属性引起的异常。在 maven 仓库目录下找到hadoop-common-2.4.0.jar，以 rar 的打开方式打开：
将 core-default.xml 拖出，并添加配置：
1 <property>
2 <name>fs.hdfs.impl</name>
3 <value>org.apache.hadoop.hdfs.DistributedFileSystem</value>
4 <description>The FileSystem for hdfs: uris.</description>
5 </property>再将修改后的 core-default.xml 替换 hadoop-common-2.4.0.jar 中的 core-default.xml，重新编译生成 jar 包。
Q：在 Spark 集群上运行 jar 包，抛出异常“Failed on local exception”：
A：检查你的代码，一般是由于 hdfs 路径错误引起。
Q:在 Spark 集群上运行 jar 包，重复提示“Connecting to master spark”：
A: 检查你的代码，一般是由于 setMaster 路径错误引起。
Q：在 Spark 集群上运行 jar 包，重复提示“Initial job has not accepted any resource; check your cluster UI to ensure that workers are registered and have sufficient memory”：
A：检查你的代码，一般是由于内存设置不合理引起。此外，还需要检查 Spark 安装目录下的 conf/spark-env.sh 对 worker 内存的设置。
Q：maven 报错：error: org.specs.Specification does not have a constructor
A: 删除 test 目录下的文件，重新编译。
9. 参考资料
[1] Spark Documentation from Apache. [Link]
Spark 的详细介绍：请点这里
Spark 的下载地址：请点这里
本文永久更新链接地址：http://www.linuxidc.com/Linux/2016-01/127856.htm
Spark 是 Apache 公司推出的一种基于 Hadoop Distributed File System(HDFS)的并行计算架构。与 MapReduce 不同，Spark 并不局限于编写 map 和 reduce 两个方法，其提供了更为强大的内存计算 (in-memory computing) 模型，使得用户可以通过编程将数据读取到集群的内存当中，并且可以方便用户快速地重复查询，非常适合用于实现机器学习算法。本文将介绍 Apache Spark1.1.0 部署与开发环境搭建。
更多 Spark 相关教程见以下内容：
CentOS 7.0 下安装并配置 Spark http://www.linuxidc.com/Linux/2015-08/122284.htm
Spark1.0.0 部署指南 http://www.linuxidc.com/Linux/2014-07/104304.htm
CentOS 6.2(64 位)下安装 Spark0.8.0 详细记录 http://www.linuxidc.com/Linux/2014-06/102583.htm
Spark 简介及其在 Ubuntu 下的安装使用 http://www.linuxidc.com/Linux/2013-08/88606.htm
安装 Spark 集群(在 CentOS 上) http://www.linuxidc.com/Linux/2013-08/88599.htm
Hadoop vs Spark 性能对比 http://www.linuxidc.com/Linux/2013-08/88597.htm
Spark 安装与学习 http://www.linuxidc.com/Linux/2013-08/88596.htm
Spark 并行计算模型 http://www.linuxidc.com/Linux/2012-12/76490.htm
0. 准备
出于学习目的，本文将 Spark 部署在虚拟机中，虚拟机选择 VMware WorkStation。在虚拟机中，需要安装以下软件：
- Ubuntu 14.04.1 LTS 64 位桌面版
- hadoop-2.4.0.tar.gz
- jdk-7u67-linux-x64.tar.gz
- scala-2.10.4.tgz
- spark-1.1.0-bin-hadoop2.4.tgz
Spark 的开发环境，本文选择 Windows7 平台，IDE 选择 IntelliJ IDEA。在 Windows 中，需要安装以下软件：
- IntelliJ IDEA 13.1.4 Community Edition
- apache-maven-3.2.3-bin.zip(安装过程比较简单，请读者自行安装)
1. 安装 JDK
解压 jdk 安装包到 /usr/lib 目录：
1 sudo cp jdk-7u67-linux-x64.gz /usr/lib
2 cd /usr/lib
3 sudo tar -xvzf jdk-7u67-linux-x64.gz
4 sudo gedit /etc/profile在 /etc/profile 文件的末尾添加环境变量：
1 export JAVA_HOME=/usr/lib/jdk1.7.0_67
2 export JRE_HOME=/usr/lib/jdk1.7.0_67/jre
3 export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
4 export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH保存并更新 /etc/profile：
1 source /etc/profile测试 jdk 是否安装成功：
1 java -version
2. 安装及配置 SSH
1 sudo apt-get update
2 sudo apt-get install openssh-server
3 sudo /etc/init.d/ssh start生成并添加密钥：
1 ssh-keygen -t rsa -P ""
2 cd /home/hduser/.ssh
3 cat id_rsa.pub >> authorized_keysssh 登录：
1 ssh localhost
3. 安装 hadoop2.4.0
采用伪分布模式安装 hadoop2.4.0。解压 hadoop2.4.0 到 /usr/local 目录：
1 sudo cp hadoop-2.4.0.tar.gz /usr/local/
2 sudo tar -xzvf hadoop-2.4.0.tar.gz在 /etc/profile 文件的末尾添加环境变量：
1 export HADOOP_HOME=/usr/local/hadoop-2.4.0
2 export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
3
4 export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
5 export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"保存并更新 /etc/profile：
1 source /etc/profile在位于 /usr/local/hadoop-2.4.0/etc/hadoop 的 hadoop-env.sh 和 yarn-env.sh 文件中修改 jdk 路径：
1 cd /usr/local/hadoop-2.4.0/etc/hadoop
2 sudo gedit hadoop-env.sh
3 sudo gedit yarn-evn.shhadoop-env.sh：
yarn-env.sh：
修改 core-site.xml：
1 sudo gedit core-site.xml在 <configuration></configuration> 之间添加：
1 <property>
2 <name>fs.default.name</name>
3 <value>hdfs://localhost:9000</value>
4 </property>
5
6 <property>
7 <name>hadoop.tmp.dir</name>
8 <value>/app/hadoop/tmp</value>
9 </property>修改 hdfs-site.xml：
1 sudo gedit hdfs-site.xml在 <configuration></configuration> 之间添加：
修改 yarn-site.xml：
1 sudo gedit yarn-site.xml在 <configuration></configuration> 之间添加：
1 <property>
2 <name>mapreduce.framework.name</name>
3 <value>yarn</value>
4 </property>
5
6 <property>
7 <name>yarn.nodemanager.aux-services</name>
8 <value>mapreduce_shuffle</value>
9 </property>复制并重命名 mapred-site.xml.template 为 mapred-site.xml：
1 sudo cp mapred-site.xml.template mapred-site.xml
2 sudo gedit mapred-site.xml在 <configuration></configuration> 之间添加：
1 <property>
2 <name>mapreduce.jobtracker.address </name>
3 <value>hdfs://localhost:9001</value>
4 </property>在启动 hadoop 之前，为防止可能出现无法写入 log 的问题，记得为 /app 目录设置权限：
1 sudo mkdir /app
2 sudo chmod -R hduser:hduser /app格式化 hadoop：
1 hadoop namenode -format启动 hdfs 和 yarn。在开发 Spark 时，仅需要启动 hdfs：
1 sbin/start-dfs.sh
2 sbin/start-yarn.sh在浏览器中打开地址 http://localhost:50070/ 可以查看 hdfs 状态信息：
4. 安装 scala
1 sudo cp /home/hduser/Download/scala-2.9.3.tgz /usr/local
2 sudo tar -xvzf scala-2.9.3.tgz在 /etc/profile 文件的末尾添加环境变量：
1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export PATH=$SCALA_HOME/bin:$PATH保存并更新 /etc/profile：
1 source /etc/profile测试 scala 是否安装成功：
1 scala -version
5. 安装 Spark
1 sudo cp spark-1.1.0-bin-hadoop2.4.tgz /usr/local
2 sudo tar -xvzf spark-1.1.0-bin-hadoop2.4.tgz在 /etc/profile 文件的末尾添加环境变量：
1 export SPARK_HOME=/usr/local/spark-1.1.0-bin-hadoop2.4
2 export PATH=$SPARK_HOME/bin:$PATH保存并更新 /etc/profile：
1 source /etc/profile复制并重命名 spark-env.sh.template 为 spark-env.sh：
1 sudo cp spark-env.sh.template spark-env.sh
2 sudo gedit spark-env.sh在 spark-env.sh 中添加：
1 export SCALA_HOME=/usr/local/scala-2.9.3
2 export JAVA_HOME=/usr/lib/jdk1.7.0_67
3 export SPARK_MASTER_IP=localhost
4 export SPARK_WORKER_MEMORY=1000m启动 Spark：
1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 sbin/start-all.sh测试 Spark 是否安装成功：
1 cd /usr/local/spark-1.1.0-bin-hadoop2.4
2 bin/run-example SparkPi
6. 搭建 Spark 开发环境
本文开发 Spark 的 IDE 推荐 IntelliJ IDEA，当然也可以选择 Eclipse。在使用 IntelliJ IDEA 之前，需要安装 scala 的插件。点击 Configure：
点击 Plugins：
点击 Browse repositories…：
在搜索框内输入 scala，选择 Scala 插件进行安装。由于已经安装了这个插件，下图没有显示安装选项：
安装完成后，IntelliJ IDEA 会要求重启。
更多详情见请继续阅读下一页的精彩内容：http://www.linuxidc.com/Linux/2016-01/127856p2.htm
