本文主要介紹一下spark的安裝及環境配置。

1、Apache spark下載

在瀏覽器輸入網址

https://spark.apache.org/downloads.html進入spark的下載頁面，如下圖所示：

 

下載時需要注意的是在第1步選擇完spark版本之后的第2步“choose a package type ”時，spark與hadoop版本必須配合使用。因為spark會讀取hdfs文件內容而且spark程序還會運行在HadoopYARN上。所以必須按照我們目前安裝的hadoop版本來選擇package type。我們目前使用的hadoop版本為hadoop2.7.5,所以選擇Pre-built for Apache Hadoop 2.7 and later。

點擊第3步Download Spark后的連接

spark-2.1.2-bin-hadoop2.7.tgz進入下圖所示的頁面。在國內我們一般選擇清華的服務器下載，這下載速度比較快，連接地址

 

2、安裝spark

通過WinSCP將

spark-2.1.2-bin-hadoop2.7.tgz上傳到master虛擬機的Downloads目錄下，然后解壓到用戶主目錄下并更改解壓后的文件名(改文件名目的是名字變短，容易操作)。解壓過程需要一點時間，耐心等待哈。

 

解壓完成后通過ls命令查看當前用戶主目錄，如下圖所示增加了spark-2.1.2-bin-hadoop2.7文件目錄

 

通過mv命令更改spark-2.1.2-bin-hadoop2.7名為spark

 

3、配置spark環境變量

通過命令vim .bashrc編輯環境變量

 

在文件末尾增加如下內容，然后保存并退出

 

重新加載環境變量配置文件，使新的配置生效(僅限當前終端，如果退出終端新的環境變量還是不能生效，重啟虛擬機系統后變可永久生效)

 

通過spark-shell展示spark是否正確安裝，Spark-shell是添加了一些spark功能的scala REPL交互式解釋器，啟動方式如下圖所示。啟動過程中會打印spark相關信息如版本。

 

退出spark-shell使用命令：quit

 

4、在其他節點安裝spark

在master節點安裝完成后只需復制spark文件目錄及.bashrc文件到其他節點即可，具體操作命令可按下圖操作

 

 

 

最后重啟slave1、slave2即可使配置文件生效。到這里spark安裝完成，接下來就是根據spark運行模式來配置spark相關配置文件使集群正常工作。

5、配置spark相關文件

第一步：spark-env.sh文件

通過環境變量配置確定的Spark設置。環境變量從Spark安裝目錄下的conf/spark-env.sh腳本讀取。

可以在spark-env.sh中設置如下變量：

 

Spark相關配置

 

首先開啟三個虛擬機master 、slave1、slave2，接下來在master主機上配置，配置完成之后將spark/conf發送到其他節點即可。

我們先跳轉到spark/conf目錄下看看我們需要配置哪些文件。如下圖所示通過ls命令查看文件列表，我們今天主要用到的有spark-env.sh.template、slaves.template，我們還可以用log4j.properties.template來修改輸出信息。

 

注意，當Spark安裝時，conf/spark-env.sh默認是不存在的。你可以復制

conf/spark-env.sh.template創建它。

 

通過vim編輯器編輯spark-env.sh，在終端中我們可以只輸入前幾個字母然后按tab鍵來給我們自動補全。

 

在文件末尾添加如下內容，保存并退出

 

第二步：log4j.properties

spark在啟動過程中會有大量日志信息打印出來，如果我們只想看警告或者錯誤，而不是一般信息可以在log4j.properties中設置，同樣的spark為我們提供了一個模板文件，需要通過模板復制出log4j.properties

 

設置方法為將文件第二行INFO改為WARN

 

更改完成后文件內容如下圖所示，記得保存并退出。

 

第三步：slaves文件

slaves文件主要作用是告訴spark集群哪些節點是工作節點worker，這里slaves文件也需要由模板文件復制過來，操作如下圖所示

 

使用vim編輯器編輯slaves

 

文件中輸入如下內容，表示工作節點為slave1和slave2,保存并退出。

 

最后將spark/conf目錄移動到slave1 slave2節點spark目錄下,操作如下圖所示

 

現在就可以啟動集群了，先啟動hadoop集群(也可以不用hadoop，但是在實際應用中大部分spark還是會用到hadoop的資源管理YARN)再啟動spark集群，操作如下所示。

 

通過jps查看啟動的進程，在master節點上spark的進程是Master，在slave節點上spark相關進程是Worker。

 

停止集群時要先停止spark集群

 

再停止hadoop集群

 

spark相關的內容就到這里，關于spark的詳細應用會有單獨系列文章介紹，敬請期待。