大数据-81 Spark 安装配置环境 集群环境配置 超详细 三台云服务器_spark 需要服务器集群吗

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（正在更新！）

章节内容

上节我们完成了：

• Spark 简单介绍
• Spark 的特点
• Spark 与 Hadoop MapReduce 框架对比
• Spark的系统架构
• Spark的部署模式

Spark简介

上节我们已经介绍过了，这里为了保持完整性，简单的再扩展介绍一下。
Spark（Apache Spark）是一个快速、通用的分布式数据处理框架，旨在以高效的方式进行大规模数据的处理和分析。它最初由加利福尼亚大学伯克利分校AMPLab开发，并在2010年开源。如今，Spark已经成为大数据处理领域的重要工具之一，广泛应用于许多行业。
Spark凭借其速度、通用性和易用性，成为大数据处理领域的一项关键技术。无论是处理批量数据还是实时数据，亦或是进行机器学习和图计算，Spark都提供了强大的支持。如果你在寻找一个高效的大数据处理框架，Spark无疑是一个值得考虑的选择。

核心特性

• 速度：Spark的一个显著特性是速度。它利用内存中的数据处理能力，相比于基于磁盘的Hadoop MapReduce，Spark可以在某些情况下快上100倍。此外，Spark支持内存和磁盘混合计算，在内存不足时将数据部分存储在磁盘中，以确保任务的顺利执行。

• 通用性：Spark提供了丰富的API，可以用Java、Scala、Python和R语言编写程序。它支持多种大数据处理任务，包括批处理、交互式查询、实时流处理、机器学习和图计算等。这些特性使得Spark成为一个非常灵活的工具，适用于各种数据处理需求。

• 易用性：Spark的编程模型简单且高效，它基于“弹性分布式数据集”（RDD）的概念，允许开发者以函数式编程的风格来处理数据集。对于已经熟悉Hadoop的开发者来说，Spark的学习曲线较为平滑。此外，Spark SQL模块提供了类似于SQL的查询接口，方便数据分析人员使用。

• 扩展性：Spark被设计为可以处理大规模数据集，支持从单节点运行到大规模集群上运行。它可以通过YARN、Mesos、Kubernetes等资源管理器进行集群资源调度，具备良好的扩展性，能够在大规模集群环境中高效工作。

Spark的组件

• Spark Core：这是Spark的核心模块，负责内存管理、任务调度、错误恢复、与存储系统的交互等基础功能。Spark Core引入了RDD，这是一种容错的分布式数据集合，能够高效地进行并行计算。

• Spark SQL：这个组件使得结构化数据的处理更加简单。它支持使用SQL语句对数据进行查询，同时可以与Spark的其他模块无缝集成。此外，Spark SQL还支持与Hive兼容，能够读取Hive中的数据。

• Spark Streaming：该模块用于处理实时数据流。它将实时数据划分为多个小批次，并使用Spark的核心API对每个批次的数据进行处理。这种微批处理方式使得实时处理更加简洁和高效。

• MLlib：这是Spark的机器学习库，提供了各种机器学习算法，如分类、回归、聚类、协同过滤等。此外，它还提供了数据处理、特征工程和模型评估等工具，能够帮助开发者快速构建和部署机器学习模型。

• GraphX：用于图计算的模块，提供了图操作和一套用于图并行计算的API，支持图的遍历、路径搜索、连接组件、PageRank等操作。

使用场景

Spark广泛应用于各种需要大规模数据处理的场景，包括但不限于：

• 批处理：处理大量历史数据，如日志分析、ETL操作。
• 流处理：实时数据分析和处理，如网络监控、实时推荐系统。
• 机器学习：大规模数据上的机器学习任务，如推荐系统、文本分类。
• 交互式查询：通过Spark SQL对大数据集进行快速查询和分析。
• 图计算：处理社交网络、推荐系统中的复杂图结构数据。

下载文件

我们到官方地址下载：

https://archive.apache.org/dist/spark/
1

页面如下，为了保证稳定和学习的方便，我用了比较老的版本：2.4.5

我们选择：without-hadoop-scala 这种版本，可以不用安装配置 Scala：

https://archive.apache.org/dist/spark/spark-2.4.5/spark-2.4.5-bin-without-hadoop-scala-2.12.tgz
1

解压配置

我们可以使用 wget 或者其他工具来完成文件的下载，我这里是传到服务器上：

cd /opt/software/
wget https://archive.apache.org/dist/spark/spark-2.4.5/spark-2.4.5-bin-without-hadoop-scala-2.12.tgz
1
2

下载完成后，我们进行解压并移动到指定位置：

cd /opt/software/
tar zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz
1
2

移动目录到servers下（之前的规范）：

mv spark-2.4.5-bin-without-hadoop-scala-2.12 ../servers
1

环境变量

vim /etc/profile
# spark
export SPARK_HOME=/opt/servers/spark-2.4.5-bin-without-hadoop-scala-2.12
export PATH=$PATH:$SPARK_HOME/bin
1
2
3
4

配置完的结果，记得刷新环境变量

修改配置

cd $SPARK_HOME/conf
1

slaves

mv slaves.template slaves
vim slaves

# 集群地址
h121.wzk.icu
h122.wzk.icu
h123.wzk.icu
1
2
3
4
5
6
7

配置完的样子大概如下：

spark-defaults

mv spark-defaults.conf.template spark-defaults.conf
vim spark-defaults.conf

# 修改配置的信息
spark.master spark://h121.wzk.icu:7077
spark.eventLog.enabled true
spark.eventLog.dir hdfs://h121.wzk.icu:9000/spark-eventLog
spark.serializer org.apache.spark.serializer.KryoSerializer
spark.driver.memory 512m
1
2
3
4
5
6
7
8
9

配置完的结果如下图：

创建HDFS目录

hdfs dfs -mkdir /spark-eventLog
1

spark-env

mv spark-env.sh.template spark-env.sh
vim spark-env.sh

# 修改如下的配置内容
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
export HADOOP_HOME=/opt/servers/hadoop-2.9.2
export HADOOP_CONF_DIR==/opt/servers/hadoop-2.9.2/etc/hadoop
export SPARK_DIST_CLASSPATH=$(/opt/servers/hadoop-2.9.2/bin/hadoop classpath)
export SPARK_MASTER_HOST=h121.wzk.icu
export SPARK_MASTER_PORT=7077
1
2
3
4
5
6
7
8
9
10

配置完成截图如下：

分发软件

传输文件

使用我们之前编写的 rsync-script 工具。当然你也可以每台都配置一次也行，只要保证环境一致即可。
（之前Hadoop等都使用过，如果你没有，你可以用复制或者别的方式）

rsync-script /opt/servers/spark-2.4.5-bin-without-hadoop-scala-2.12
1

过程会很漫长，请耐心等待：

文件传输分发完毕：

环境变量

每天机器都需要配置环境变量！！！

/etc/profile
1

h122 服务器

h123 服务器