Spark 实践
概念
Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。
Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。
尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoop 文件系统中并行运行。通过名为 Mesos 的第三方集群框架可以支持此行为。Spark 由加州大学伯克利分校 AMP 实验室 (Algorithms, Machines, and People Lab) 开发，可用来构建大型的、低延迟的数据分析应用程序。
环境搭建
计划安装3台计算机，安装ubuntu系统，主机名分别为master,slave1,slave2，IP分别为（166.111.198.222/166.111.198.119/166.111.199.73）。
安装软件： java-jdk1.7.0 / hadoop2.6.4 /spark2.0.0
java安装目录：
/opt/kdk1.7.0_79
hadoop安装目录：
/opt/hadoop-2.6.4/
spark安装目录：
/opt/spark-2.0.0-bin-hadoop2.6
首先要使各主机ssh免密码登陆
- 1在master生成密钥对
ssh-keygen -t rsa -P
在~/.ssh下生成 id_rsa和id_rsa.pub
- 2把id_rsa.pub复制到slave1 的~/.ssh/authorized_keys文件里
scp ~/.ssh/id_rsa.pub root@slave:/root/id_rsa.pub
在slave上
cat id_rsa.pub >> .ssh/authorized_keys chmod 600 .ssh/authorized_keys
- 3回到master，测试登陆slave
环境配置
编辑文件 /etc/profile 加入以下内容
#JAVA VARIABLES START export JAVA_HOME=/opt/jdk1.7.0_79 export PATH=$PATH:$JAVA_HOME/bin #JAVA VARIABLES END
#SCALA VARIABLES START export SCALA_HOME=/opt/scala-2.11.7 export PATH=$PATH:$SCALA_HOME/bin #SCALA VARIABLES END
#SPARK VARIABLES START export SPARK_HOME=/opt/spark-2.0.0-bin-hadoop2.6 export PATH=$PATH:$SPARK_HOME/bin #SPARK VARIABLES END
然后刷新系统配置：
source /etc/profile
验证配置生效：
java -version
scala -version
执行以上命令应显示正确的版本信息。
进入spark的conf目录
cd/opt/spark-2.0.0-bin-hadoop2.6/conf
cp spark-env.sh.template spark-env.sh
编辑spark-env.sh文件，在最后加入：
export SCALA_HOME=/opt/scala-2.11.7 export JAVA_HOME=/opt/jdk1.7.0_79 export SPARK_MASTER_IP=localhost export SPARK_WORKER_MEMORY=1024m export master=spark://localhost 7070
编辑slaves文件,将slave加入列表（IP也可以）
slave1 slave2 slave3
启动集群
进入spark下的sbin目录，执行
./spart-all.sh
期待集群，可在192.168.0.71:8080看到spark已经启动。
sbin目录下的其它命令
stop-all.sh 停止所有进程
start-master.sh 启动master
start-slaves.sh 启动所有slave （slaves文件中指定）
start-salve.sh 启动单独slave（在执行的主机上）
stop-master.sh 停止master
stop-slaves.sh 停止所有slaves
