搭建Spark真实分布式运行环境
文章目录
Spark是一个计算分析平台，使用内存进行计算，相当于只是一个计算框架。
Hadoop是一个大数据平台，使用磁盘进行计算。包括HDFS存储平台，MapReduce计算分析平台，Yarn资源调度平台。
Spark部署模式：
Local
Standalone
Yarn
Mesos
具体有什么样的区别，请参考：https://blog.csdn.net/WYpersist/article/details/79731621
一点点小结：
1.local(本地模式)：常用于本地开发测试，本地分为local单线程和local-cluster多线程
2.standalone(集群模式)：典型的Mater/slave模式，不过也能看出Master是有单点故障的；Spark支持ZooKeeper来实现 HA
3.on yarn(集群模式)：运行在 yarn 资源管理器框架之上，由 yarn 负责资源管理，Spark 负责任务调度和计算
4.on mesos(集群模式)：运行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，Spark 负责任务调度和计算
5.on cloud(集群模式)：比如 AWS 的 EC2，使用这个模式能很方便的访问 Amazon的 S3;Spark 支持多种分布式存储系统：HDFS 和 S3
由于只想跑spark，暂时用不到HDFS，所以就了解了一下：
配置standalone模式，不一定需要配置hadoop，因为可以不需要HDFS，从本地文件读取数据需要在每台机器上保证路径一致，或者可以使用NFS代替HDFS。
配置不依赖于HDFS的spark standslone模式
准备工作
配置基本环境
基本环境（在三台虚拟机上 ubuntu18.04）：
安装统一在 /home/wj/apps/ 目录下
Java：1.8.0
Scala：2.11.8
Maven：3.5.4
配置免密登录
免密登录，现在只配置master免密登录slaves ，我的虚拟机的IP信息如下：
spark-master ：192.168.73.134
spark-slave1 ：192.168.73.135
spack-slave2 ：192.168.73.137
安装ssh-server，ubuntu 18.04中只默认安装了 ssh-agent，可以使用命令 ps –e | grep ssh查看。
sudo apt-get install openssh-server
开启ssh-server服务：
service sshd restart
在 master 上执行 ssh-keygen -t rsa 生成对应 rsa key pair ，在 ~/.ssh/ 目录下
将 id_rsa.pub 内容拷贝至 authorized_keys，将这个 authorized_keys 文件放置在 slaves 机器上的 .ssh 目录下便可从该 master 单向免密登录。
注意，有时需要修改 authorized_keys 的权限：
chmod 600 authorized_keys
Host文件配置
为了不直接使用IP，可以通过设置hosts文件达到ssh Spark-slave1这样的的效果（三个节点设置相同）
sudo gedit /etc/hosts
在文件尾部添加如下行，保存后退出：
192.168.73.134 spark-master
192.168.73.135 spark-slave1
192.168.73.137 spark-slave2
测试，可通过在spark-master上通过 ssh spark-slave1 命令登录到 spark-slave1 上
（如果slave需要免密登录master，还需要继续配置，这里暂时先不进行配置，一种完全错误的侥幸心理）
分布式spark standalone 环境部署，不依赖于HDFS
使用spark版本为官网下载预编译版本：spark-2.2.0-bin-hadoop2.7.tgz
安装在 /home/wj/apps/ 目录下
配置spark-env.sh文件
cd conf/
mv spark-env.sh.template spark-env.sh
gedit spark-env.sh
在后面添加 ：
export JAVA_HOME=/home/wj/apps/jdk1.8.0_181
export SPARK_MASTER_IP=spark-master
export SPARK_MASTER_PORT=7077
配置 slaves.template 文件
mv slaves.template slaves
gedit slaves
在后面添加 ：
spark-slave1
spark-slave2
将配置好的spark文件分发至slaves机器
scp -r spark-2.2.0-bin-hadoop2.7 spark-slave1:/home/wj/apps/
scp -r spark-2.2.0-bin-hadoop2.7 spark-slave2:/home/wj/apps/
启动spark
在spark下的文件夹sbin中，执行命令：
./start-all.sh
可见到：
spark-master：
spark-slave1：
spark-slave2：
配置完成
测试
通过master主机上访问http://localhost:8080/ 发现Alive workers只有1，且过一段时间之后，slave1和slave2上的worker会死掉，考虑大概率是因为ssh免密登录是单向的。
添加slave1和slave2到master的免密登录
在slave1和slave2上生成公钥私钥对（按照上述方式），然后使用ssh-copy-id命令直接完成权限授予，在当前机器下，若想访问某台机器，便将其公钥复制到某台机器上。
ssh-copy-id 命令可以把本地主机的公钥复制到远程主机的authorized_keys文件上，ssh-copy-id命令也会给远程主机的用户主目录（home）和~/.ssh, 和~/.ssh/authorized_keys设置合适的权限。
现在三台机器之间互相可以免密登录。
再次启动，slaves 上的 worker 不会自动死掉。
但是：Alive workers仍然显示只有1个，在网上查询了一下，问题原因如下，解决方案也很简单，在master机器上屏蔽127.0.0.1相关的映射就可以了
但是，在后一次实践中，发现这个操作方式存在两点问题
第一，如果127.0.1.1这个地址映射到了nameserver中，即nameserver必须采用这个地址进行域名解析，该文件在/etc/resolv.conf中，如果在/etc/hosts中删除的话，会造成无法联网的问题。在ubuntu16.04中，在我实践过程中，是这个地址，在ubuntu18.04中为127.0.0.53，删除之后无故障。在虚拟机集群中，删除之后该问题得到解决，但是在物理机上，发现并没有解决问题。
第二，发现最终原因在于/spark/conf/spark-env.sh的配置写得太简陋了，关于slave相关的信息不全，补全之后，这个问题得到了解决。
之前的配置信息：
export JAVA_HOME=/home/wj/apps/jdk1.8.0_181
export SPARK_MASTER_IP=spark-master
export SPARK_MASTER_PORT=7077
适当补全之后的配置信息：
export JAVA_HOME=/home/wj/apps/jdk1.8.0_181
export SPARK_MASTER_IP=spark-master
export SPARK_MASTER_PORT=7077
export SPARK_MASTER_HOST=spark-master
export SPARK_LOCAL_IP=spark-slave
环境整体上应该配置完成
运行spark执行任务
通过bin目录下的spark-shell启动scala面板，需要给超级权限
sudo ./spark-shell --master spark://spark-master:7077 --executor-memory 512m --total-executor-cores 3
--master 如果在机群中有多个spark集群，需要使用这个参数指定具体是哪一个spark集群
如果只使用 --master 参数，则启动的是单机版本，启动多机版本需要指定后面两个参数，第一个参数表示每台机器可用的内存，第二个参数表示所有机器加起来可以使用的core数。
这与sparkUI上的一致，每个application需要提供cores和memory
