Yarn上运行spark-1.6.0
1. 约定
本文约定Hadoop 2.7.1安装在/data/hadoop/current，而Spark 1.6.0被安装在/data/hadoop/spark，其中/data/hadoop/spark为指向/data/hadoop/spark。
Spark官网为：http://spark.apache.org/（Shark官网为：http://shark.cs.berkeley.edu/，Shark已成为Spark的一个模块，不再需要单独安装）。
以cluster模式运行Spark，不介绍client模式。
2. 安装Scala
联邦理工学院洛桑（EPFL）的Martin Odersky于2001年基于Funnel的工作开始设计Scala。
Scala是一种多范式的编程语言，设计初衷是要集成纯面向对象编程和函数式编程的各种特性。运行在Java虚拟机JVM之上，兼容现有的Java程序，并可调用Java类库。Scala包含编译器和类库，以BSD许可证发布。
2.1. 下载
Spark使用Scala开发的，在安装Spark之前，先在各个节上将Scala安装好。Scala的官网为：http://www.scala-lang.org/，下载网址为：http://www.scala-lang.org/download/，本文下载的是二进制安装包scala-2.11.7.tgz。
2.2. 安装
本文以root用户（实则也可以非root用户，建议事先规划好）将Scala安装在/data/scala，其中/data/scala是指向/data/scala-2.11.7的软链接。
安装方法非常简单，将scala-2.11.7.tgz上传到/data目录，然后在/data/目录下对scala-2.11.7.tgz进行解压。
接着，建立软链接：ln -s /data/scala-2.11.7 /data/scala。
2.3. 设置环境变量
Scala被安装完成后，需要将它添加到PATH环境变量中，可以直接修改/etc/profile文件，加入以下内容即可：
export SCALA_HOME=/data/scala export PATH=$SCALA_HOME/bin:$PATH |
|---|
3. 安装Spark
Spark的安装以非root用户进行，本文以hadoop用户安装它。
3.1. 下载
本文下载的二进制安装包，推荐这种方式，否则编译还得折腾。下载网址为：http://spark.apache.org/downloads.html，本文下载的是spark-1.6.0-bin-hadoop2.6.tgz，这个可以直接跑在YARN上。
3.2. 安装
1) 将spark-1.6.0-bin-hadoop2.6.tgz上传到目录/data/hadoop下
2) 解压：tar xzf spark-1.6.0-bin-hadoop2.6.tgz
3) 建立软链接：ln -s spark-1.6.0-bin-hadoop2.6 spark
在yarn上运行spark，不需要每台机器都安装spark，可以只安装在一台机器上。但是只能在被安装的机器上运行spark，原因很简单：需要调用spark的文件。
3.3. 配置
3.3.1. 修改conf/spark-env.sh
可以spark-env.sh.template复制一份，然后增加以下内容：
HADOOP_CONF_DIR=/data/hadoop/current/etc/hadoop YARN_CONF_DIR=/data/hadoop/current/etc/hadoop |
|---|
4. 启动Spark
由于运行在Yarn上，所以没有启动Spark这一过程。而是在执行命令spark-submit时，由Yarn调度运行Spark。
4.1. 运行自带示例
./bin/spark-submit --class org.apache.spark.examples.SparkPi \ --master yarn --deploy-mode cluster \ --driver-memory 4g \ --executor-memory 2g \ --executor-cores 1 \ --queue default \ lib/spark-examples*.jar 10 |
|---|
运行输出：
16/02/03 16:08:33 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:34 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:35 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:36 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:37 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:38 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:39 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING) 16/02/03 16:08:40 INFO yarn.Client: Application report for application_1454466109748_0007 (state: FINISHED) 16/02/03 16:08:40 INFO yarn.Client: client token: N/A diagnostics: N/A ApplicationMaster host: 10.225.168.251 ApplicationMaster RPC port: 0 queue: default start time: 1454486904755 final status: SUCCEEDED tracking URL: http://hadoop-168-254:8088/proxy/application_1454466109748_0007/ user: hadoop 16/02/03 16:08:40 INFO util.ShutdownHookManager: Shutdown hook called 16/02/03 16:08:40 INFO util.ShutdownHookManager: Deleting directory /tmp/spark-7fc8538c-8f4c-4d8d-8731-64f5c54c5eac |
|---|
4.2. SparkSQL Cli
通过运行即可进入SparkSQL Cli交互界面，但要在Yarn上以cluster运行，则需要指定参数--master值为yarn（注意不支持参数--deploy-mode的值为cluster，也就是只能以client模式运行在Yarn上）：
./bin/spark-sql --master yarn |
|---|
为什么SparkSQL Cli只能以client模式运行？其实很好理解，既然是交互，需要看到输出，这个时候cluster模式就没法做到了。因为cluster模式，ApplicationMaster在哪机器上运行，是由Yarn动态确定的。
5. 和Hive集成
Spark集成Hive非常简单，只需以下几步：
1) 在spark-env.sh中加入HIVE_HOME，如：export HIVE_HOME=/data/hadoop/hive
2) 将Hive的hive-site.xml和hive-log4j.properties两个文件复制到Spark的conf目录下。
完成后，再次执行spark-sql进入Spark的SQL Cli，运行命令show tables即可看到在Hive中创建的表。
示例：
./spark-sql --master yarn --driver-class-path /data/hadoop/hive/lib/mysql-connector-java-5.1.38-bin.jar
6. Java开发
Spark的Java编程示例：。
package testspark; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.sql.Row; import org.apache.spark.sql.hive.HiveContext; public class SparkSQLHiveOnYarn { public static void main(String[] args) throws Exception { System.out.println("start"); SparkConf sparkConf = new SparkConf().setAppName("SparkSQLHiveOnYarnTest"); JavaSparkContext ctx = new JavaSparkContext(sparkConf); HiveContext hc = new HiveContext(ctx.sc()); hc.sql("use default"); // 选择使用哪个DB Row[] result = hc.sql("select count(1) from test").collect(); System.out.println(result[0]); ctx.stop(); } } |
|---|
打包成jar后，运行（假设jar包放在/tmp目录下）：
spark-submit --master yarn \ --class testspark.SparkSQLHiveOnYarn \ --driver-memory 4G \ --driver-java-options "-XX:MaxPermSize=4G" \ --verbose \ --jars $HIVE_HOME/lib/mysql-connector-java-5.1.38-bin.jar \ /tmp/testspark.jar |
|---|
7. 常见错误
7.1. 错误1：unknown queue: thequeue
运行：
./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 4g --executor-memory 2g --executor-cores 1 --queue thequeue lib/spark-examples*.jar 10
时报如下错误，只需要将“--queue thequeue”改成“--queue default”即可。
16/02/03 15:57:36 INFO yarn.Client: Application report for application_1454466109748_0004 (state: FAILED) 16/02/03 15:57:36 INFO yarn.Client: client token: N/A diagnostics: Application application_1454466109748_0004 submitted by user hadoop to unknown queue: thequeue ApplicationMaster host: N/A ApplicationMaster RPC port: -1 queue: thequeue start time: 1454486255907 final status: FAILED tracking URL: http://hadoop-168-254:8088/proxy/application_1454466109748_0004/ user: hadoop 16/02/03 15:57:36 INFO yarn.Client: Deleting staging directory .sparkStaging/application_1454466109748_0004 Exception in thread "main" org.apache.spark.SparkException: Application application_1454466109748_0004 finished with failed status at org.apache.spark.deploy.yarn.Client.run(Client.scala:1029) at org.apache.spark.deploy.yarn.Client$.main(Client.scala:1076) at org.apache.spark.deploy.yarn.Client.main(Client.scala) at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) at java.lang.reflect.Method.invoke(Method.java:606) at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:731) at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:181) at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:206) at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:121) at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala) 16/02/03 15:57:36 INFO util.ShutdownHookManager: Shutdown hook called 16/02/03 15:57:36 INFO util.ShutdownHookManager: Deleting directory /tmp/spark-54531ae3-4d02-41be-8b9e-92f4b0f05807 |
|---|
7.2. SPARK_CLASSPATH was detected
SPARK_CLASSPATH was detected (set to '/data/hadoop/hive/lib/mysql-connector-java-5.1.38-bin.jar:').
This is deprecated in Spark 1.0+.
Please instead use:
- ./spark-submit with --driver-class-path to augment the driver classpath
- spark.executor.extraClassPath to augment the executor classpath
意思是不推荐在spark-env.sh中设置环境变量SPARK_CLASSPATH，可以改成如下推荐的方式：
./spark-sql --master yarn --driver-class-path /data/hadoop/hive/lib/mysql-connector-java-5.1.38-bin.jar
8. 相关文档
《HBase-0.98.0分布式安装指南》
《Hive 0.12.0安装指南》
《ZooKeeper-3.4.6分布式安装指南》
《Hadoop 2.3.0源码反向工程》
《在Linux上编译Hadoop-2.4.0》
《Accumulo-1.5.1安装指南》
《Drill 1.0.0安装指南》
《Shark 0.9.1安装指南》
更多，敬请关注技术博客：http://aquester.cublog.cn。