Spark之路：（一）Scala + Spark + Hadoop环境搭建

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/sage_wang/article/details/79236051

一、Spark 介绍

Spark是基于内存计算的大数据分布式计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

• 1.提供分布式计算功能，将分布式存储的数据读入，同时将任务分发到各个节点进行计算；
• 2.基于内存计算，将磁盘数据读入内存，将计算的中间结果保存在内存，这样可以很好的进行迭代运算；
• 3.支持高容错；
• 4.提供多计算范式；

1、Spark与Hadoop关系

• Spark是一个计算框架。
• Hadoop是包含计算框架MapReducehe分布式文件系统HDFS。
• Spark是MapReduce的替代方案，而且兼容HDFS、Hive等分布式存储系统，可融入Hadoop生态。

2、Spark与Scala关系

• Spark是用Scala开发的，因为计算数据，Scala它是函数式编程，它实现算法非常简洁优雅。
• Scala即有面向对象组织项目工程的能力，又有计算数据的功能。

3、Scala与Java的关系：

• 它们都是基于JVM的，但Scala可以调用Java的任何功能，比如Spark运行在Hadoop上，它可以调用Hadoop上的一切功能。
• 你可以认为Scala它是一个升级版的Java，因为Scala它本身是一门支持面向对象的语言，在Scala中，一切皆对象，它是一门纯面向对象的语言，同时Scala也是面向对象以及函数式结合的语言。

4、大数据的开发语言是Scala，原因如下：

• 大数据的本身是计算数据，而Scala即有面向对象组织项目工程的能力，又有计算数据的功能。
• 现在大数据事实上的计算标准框架Spark，它是用Scala开发的，因为计算数据，Scala它是函数式编程，它实现算法非常简洁优雅。
• 例：kafka，它是一个消息中间件，如果外部数据要流进大数据中心，我们一般都要用kafka作适配器，那如果大数据中心的数据流到外部，也是用kafka（如Spark计算的数据要交给HBASE或MySql,期间我们都会用kafka），很多的大数据组件都是用的Scala编写的，SO，如果你想成为一个顶级的大数据开发高手，你一定要掌握Scala。

二、环境搭建

Mac 下 Hadoop + Spark + Scala

1、安装前必备

• 操作系统：Mac OS X
• JDK：1.8.0_151
• 命令终端：~/.bash_profile下添加
• 软件包管理工具：brew（能够方便的安装和卸载软件，使用brew cash还可以安装图形化的软件，类似于Ubuntu下的apt-get以及前端里的npm）

2、安装配置Hadoop

2.1、配置ssh

配置ssh就是为了能够实现免密登录，这样方便远程管理Hadoop并无需登录密码在Hadoop集群上共享文件资源。
如果你的机子没有配置ssh的话，在命令终端输入ssh localhost是需要输入你的电脑登录密码的。配置好ssh后，就无需输入密码了。
第一步就是在终端执行ssh-keygen -t rsa，之后一路enter键，当然如果你之前已经执行过这样的语句，那过程中会提示是否要覆盖原有的key，输入y即可。
第二步执行语句cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys用于授权你的公钥到本地可以无需密码实现登录。
理论上这时候，你在终端输入ssh lcoalhost就能够免密登录了。

Q & A

1、mac无法ssh localhost
解决方案：

• 编辑/etc/sshd_config文件，注释掉
  #ForceCommand /usr/local/bin/ssh_session
• 启动sshd服务：
  sudo launchctl load -w /System/Library/LaunchDaemons/ssh.plist
• 停止sshd服务：
  sudo launchctl unload -w /System/Library/LaunchDaemons/ssh.plist
• 查看是否启动：
  sudo launchctl list | grep ssh
• 如果看到下面的输出表示成功启动了：
  - 0 com.openssh.sshd
• 最后ssh localhost 成功

2、权限问题
问题报错：
permission denied 显然这是权限问题，我直接为ssh目录赋予777、740和700都无效，还是报同样的错。
解决方案：
设置authorized_keys权限——chmod 600 authorized_keys
设置.ssh目录权限——chmod 700 -R .ssh
参考资料给出的解释是：文件和目录的权限千万别设置成chmod 777.这个权限太大了，不安全，数字签名也不支持–!。

2.2、安装Hadoop

• 安装命令，brew install hadoop
• 安装路径，/usr/local/Cellar/hadoop/2.8.2

2.3、修改hadoop-env.sh

• 进入安装目录如下，找到并打开hadoop-env.sh文件，
  /usr/local/Cellar/hadoop/2.8.2/libexec/etc/hadoop

• 注释如下代码
  # export HADOOP_OPTS="$HADOOP_OPTS -Djava.net.preferIPv4Stack=true"

• 并在后面添加如下代码，JAVA_HOME为本机jdk版本
  export HADOOP_OPTS="$HADOOP_OPTS -Djava.net.preferIPv4Stack=true -Djava.security.krb5.realm= -Djava.security.krb5.kdc="

export JAVA_HOME="/Library/Java/JavaVirtualMachines/jdk1.8.0_151.jdk/Contents/Home"

2.4、配置hdfs地址和端口

• 进入目录/usr/local/Cellar/hadoop/2.8.2/libexec/etc/hadoop，
• 打开core-site.xml将<configuration></configuration>替换为

      <property>
     <name>hadoop.tmp.dir</name>
<value>/usr/local/Cellar/hadoop/hdfs/tmp</value>
    <description>A base for other temporary directories.</description>
  </property>
  <property>
     <name>fs.default.name</name>
     <value>hdfs://localhost:8020</value>
  </property>
</configuration>

2.5、配置mapreduce中jobtracker的地址和端口

• 进入目录/usr/local/Cellar/hadoop/2.8.2/libexec/etc/hadoop，
• 在相同的目录下，你可以看到一个mapred-site.xml.template首先将文件重命名为mapred-site.xml，
• 同样将<configuration></configuration>替换为

<configuration>
      <property>
        <name>mapred.job.tracker</name>
        <value>localhost:8021</value>
      </property>
</configuration>

2.6、修改hdfs备份数

相同目录下，打开hdfs-site.xml加上

<configuration>
   <property>
     <name>dfs.replication</name>
     <value>1</value>
    </property>
</configuration>

2.7、格式化HDFS

这个操作相当于一个文件系统的初始化，执行命令hdfs namenode -format
在终端最终会显示成功


2.8、环境变量配置

• 执行编辑命令，sudo vim ~/.profile

• add如下代码：
  #hadoop
export HADOOP_HOME=/usr/local/Cellar/hadoop/2.8.2
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

• 使之生效，source ~/.profile

2.9、检查hadoop

• hadoop version

shiqingdeMacBook-Air:local shiqingwang$ hadoop version
Hadoop 2.8.2
Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r 66c47f2a01ad9637879e95f80c41f798373828fb
Compiled by jdu on 2017-10-19T20:39Z
Compiled with protoc 2.5.0
From source with checksum dce55e5afe30c210816b39b631a53b1d
This command was run using /usr/local/Cellar/hadoop/2.8.2/libexec/share/hadoop/common/hadoop-common-2.8.2.jar

2.10、 启动关闭Hadoop服务

• 启动/关闭HDSF服务
  start-dfs.sh
stop-dfs.sh

• 启动成功后，我们在浏览器中输入http://localhost:50070可以看到
  

• 启动/关闭YARN服务
  start-yarn.sh
stop-yarn.sh

• 启动/关闭Hadoop服务(等效上面两个)
  start-all.sh
stop-all.sh

• 启动成功后，我们在浏览器中输入http://localhost:8088可以看到
  

3、安装配置Spark

3.1、下载路径：http://spark.apache.org/downloads.html

3.2、选择版本：spark-2.2.1-bin-hadoop2.7

3.3、环境变量

• 执行编辑命令，sudo vim ~/.profile
• add如下代码：
  #spark
export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$SPARK_HOME/bin
• 配置生效，source ~/.profile

3.4、检查版本

• 命令：spark-shell
  

4、安装配置Scala

Scala 是一门多范式（multi-paradigm）的编程语言，设计初衷是要集成面向对象编程和函数式编程的各种特性。
Scala 运行在Java虚拟机上，并兼容现有的Java程序。
Scala 源代码被编译成Java字节码，所以它可以运行于JVM之上，并可以调用现有的Java类库。

4.1、安装命令，brew install scala

4.、检查版本，scala -version

Scala code runner version 2.12.4 -- Copyright 2002-2017, LAMP/EPFL and Lightbend, Inc.
scala> println("Hello, world!")
Hello, world!
scala> :q


4.3、环境变量

• 执行编辑命令，sudo vim ~/.profile
• add如下代码：
  #scala
export SCALA_HOME=/usr/local/scala
export PATH=$PATH:$SCALA_HOME/bin
• 配置生效，source ~/.profile

Scala + Spark + Hadoop环境配置，终，终，终于大功告成！！！

附录

完整的环境变量配置文件如下

cat ./profile，

#scala
export SCALA_HOME=/usr/local/scala
export PATH=$PATH:$SCALA_HOME/bin

#hadoop
export HADOOP_HOME=/usr/local/Cellar/hadoop/2.8.2
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

#spark
export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$SPARK_HOME/bin

相关网址推荐：

• Scala学习教程
• scala+hadoop+spark环境搭建
• 学习Spark——环境搭建（Mac版）