集群角色介绍

Spark是基于内存计算的大数据并行计算框架，实际中运行计算任务肯定是使用集群模式，那么我们先来学习Spark自带的standalone集群模式了解一下它的架构及运行机制。

Standalone集群使用了分布式计算中的master-slave模型

master是集群中含有master进程的节点
slave是集群中的worker节点含有Executor进程

Spark架构图如下：

http://spark.apache.org/docs/latest/cluster-overview.html

在这里插入图片描述

standalone集群模式配置

第一步：集群规划

hadoop01:master
hadoop02:slave/worker
hadoop03:slave/worker

第二步：修改配置并分发

修改Spark配置文件

cd /export/servers/spark/conf
mv spark-env.sh.template spark-env.sh
vim  spark-env.sh

#配置java环境变量
export JAVA_HOME=/export/servers/jdk1.8
#指定spark Master的IP
export SPARK_MASTER_HOST=hadoop01
#指定spark Master的端口
export SPARK_MASTER_PORT=7077

mv slaves.template slaves
vim  slaves

hadoop02
hadoop03

配置spark环境变量 (建议不添加，避免和Hadoop的命令冲突)

将spark添加到环境变量,在/etc/profile.d目录下创建sparkhome.sh，输入以下内容

export SPARK_HOME=/export/servers/spark
export PATH=$PATH:$SPARK_HOME/bin

注意:
hadoop/sbin 的目录和 spark/sbin 目录下可能会因为文件重名，导致有以下两个命令冲突，：

start-all.sh 
stop-all.sh

解决方案：
1.把其中一个框架的 sbin 从环境变量中去掉；
2.改名 hadoop/sbin/start-all.sh 改为: start-all-hadoop.sh

第三步：通过scp 命令将配置文件分发到其他机器上

cd /export/servers/
scp -r /export/servers/spark hadoop02:$PWD
scp -r /export/servers/spark hadoop03:$PWD

cd /etc/profile.d/
scp sparkhome.sh hadoop02:$PWD
scp sparkhome.sh hadoop03:$PWD

第四步：在各个节点执行以下命令

source /etc/profile

第五步：启动和停止

集群启动和停止

在主节点上启动spark集群

/export/servers/spark/sbin/start-all.sh

在主节点上停止spark集群

/export/servers/spark/sbin/stop-all.sh

单独启动和停止

在 master 安装节点上启动和停止 master：

start-master.sh
stop-master.sh

在 Master 所在节点上启动和停止worker(work指的是slaves 配置文件中的主机名)

start-slaves.sh
stop-slaves.sh

第六步：查看web界面

正常启动spark集群后，查看spark的web界面，查看相关信息。
http://hadoop01:8080/

第七步：测试

需求

使用集群模式运行Spark程序读取HDFS上的文件并执行WordCount

集群模式启动spark-shell

/export/servers/spark/bin/spark-shell --master spark://hadoop01:7077

运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output2")