查看“Spark 实践”的源代码

<big>概念</big>

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。

<big>环境搭建</big>

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

<big>环境配置</big>

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