Spark大數(shù)據(jù)分析 課件 第2章 Spark集群安裝配置

集群環(huán)境準(zhǔn)備目錄/Contents01系統(tǒng)環(huán)境配置02JDK安裝03Hadoop集群部署04ZooKeeper集群部署05Scala安裝系統(tǒng)環(huán)境配置01系統(tǒng)環(huán)境配置1.安裝linux系統(tǒng)：Centos關(guān)于系統(tǒng)的安裝這里不做詳細(xì)的介紹，本次安裝的系統(tǒng)為centos7，可以在阿里鏡像鏡像網(wǎng)站（/centos/7/isos/x86_64/）或者官網(wǎng)（/download/）下載鏡像。使用的軟件：VMwareWorkstation系統(tǒng)安裝要求：無桌面版最小化安裝網(wǎng)絡(luò)連接方式：NAT內(nèi)存2G及以上磁盤大小30G及以上CPU1核以上2.網(wǎng)絡(luò)環(huán)境配置在系統(tǒng)安裝完成后需要配置虛擬機(jī)的網(wǎng)卡信息。(1)NAT信息查看①打開VMware②找到菜單欄中的“編輯”，選擇“虛擬網(wǎng)絡(luò)編輯器”③選擇VMnet8，NAT設(shè)置(2)打開虛擬機(jī)命令行界面，修改網(wǎng)卡信息系統(tǒng)環(huán)境配置3.配置防火墻CentOS7默認(rèn)使用的是firewall作為防火墻。firewall操作：#servicefirewalldstatus;#查看防火墻狀態(tài)（disabled表明已經(jīng)禁止開啟啟動enable表示開機(jī)自啟，inactive表示防火墻關(guān)閉狀態(tài)activated（running）表示為開啟狀態(tài)）4.主機(jī)名修改vi與vimvi編輯器是所有Unix及Linux系統(tǒng)下標(biāo)準(zhǔn)的編輯器，他就相當(dāng)于windows系統(tǒng)中的記事本一樣，它的強(qiáng)大不遜色于任何最新的文本編輯器。他是我們使用Linux系統(tǒng)不能缺少的工具。由于對Unix及Linux系統(tǒng)的任何版本，vi編輯器是完全相同的，學(xué)會它后，你將在Linux的世界里暢行無阻。vim具有程序編輯的能力，可以以字體顏色辨別語法的正確性，方便程序設(shè)計(jì)，因?yàn)槌绦蚝唵?，編輯速度相?dāng)快速。JDK安裝02JDK安裝1.面向?qū)ο缶幊陶Z言——JavaJava是一門面向?qū)ο缶幊陶Z言，不僅吸收了C++語言的各種優(yōu)點(diǎn)，還摒棄了C++里難以理解的多繼承、指針等概念，因此Java語言具有功能強(qiáng)大和簡單易用兩個(gè)特征。Java語言作為靜態(tài)面向?qū)ο缶幊陶Z言的代表，極好地實(shí)現(xiàn)了面向?qū)ο罄碚?，方便程序員以面向?qū)ο蟮乃季S方式進(jìn)行復(fù)雜的編程。Java具有簡單性、面向?qū)ο?、分布式、健壯性、安全性、平臺獨(dú)立與可移植性、多線程、動態(tài)性等特點(diǎn)。Java可以編寫桌面應(yīng)用程序、Web應(yīng)用程序、分布式系統(tǒng)和嵌入式系統(tǒng)應(yīng)用程序等。Storm2.JDKJDK(JavaDevelopmentKit)是Java語言的軟件開發(fā)工具包，主要用于移動設(shè)備、嵌入式設(shè)備上的Java應(yīng)用程序。JDK是整個(gè)Java開發(fā)的核心，它包含了Java的運(yùn)行環(huán)境（JVM+Java系統(tǒng)類庫）和Java工具。JDK包含的基本組件包括：javac：編譯器，將源程序轉(zhuǎn)成字節(jié)碼。jar：打包工具，將相關(guān)的類文件打包成一個(gè)文件。javadoc：文檔生成器，從源碼注釋中提取文檔。jdb：debugger，查錯(cuò)工具。java：運(yùn)行編譯后的Java程序（.class后綴的）。appletviewer：小程序?yàn)g覽器，一種執(zhí)行HTML文件上的Java小程序的Java瀏覽器。Javah：產(chǎn)生可以調(diào)用Java過程的C過程，或建立能被Java程序調(diào)用的C過程的頭文件。Javap：Java反匯編器，顯示編譯類文件中的可訪問功能和數(shù)據(jù)，同時(shí)顯示字節(jié)代碼含義。Jconsole:Java進(jìn)行系統(tǒng)調(diào)試和監(jiān)控的工具。JDK安裝3.JREJRE（JavaRuntimeEnvironment）Java運(yùn)行環(huán)境，包括兩部分：JavaRuntimeEnvironment和JavaPlug-in。JRE是可以在其上運(yùn)行、測試和傳輸應(yīng)用程序的Java平臺。它包括JVM（Java虛擬機(jī)）、Java核心類庫和支持文件。它不包含開發(fā)工具（JDK）——編譯器、調(diào)試器和其它工具。JRE需要輔助軟件（JavaPlug-in）以便在瀏覽器中運(yùn)行applet。JRE可以支撐Java程序的運(yùn)行，包括JVM虛擬機(jī)（java.exe等）和基本的類庫（rt.jar等），JDK可以支持Java程序的開發(fā)，包括編譯器（javac.exe）、開發(fā)工具（javadoc.exe、jar.exe、keytool.exe、jconsole.exe）和更多的類庫（如tools.jar）等。Storm4.JDK安裝Hadoop采用的開發(fā)語言是Java，所以搭建Hadoop集群的前提是先安裝JDK。本書選擇的JDK版本是Oracle官方的JDK8，這里使用的是tar.gz安裝包（/technetwork/java/javase/downloads/java-archive-javase8-2177648.html）Hadoop集群部署03Hadoop集群部署Hadoop集群部署1．基礎(chǔ)環(huán)境配置搭建Hadoop集群需要配置以下信息：①配置虛擬機(jī)網(wǎng)絡(luò)（NAT聯(lián)網(wǎng)方式）②網(wǎng)卡信息修改③主機(jī)名修改④主機(jī)名與IP映射⑤關(guān)閉防火墻⑥ssh免密登錄⑦JDK安裝⑧同步集群時(shí)間根據(jù)1.1.1與1.1.2節(jié)中的內(nèi)容完成①②③⑤⑦這五個(gè)操作，在配置完成后開始主機(jī)名與IP映射、ssh免密登錄、同步集群時(shí)間的操作。ZooKeeper集群部署04ZooKeeper集群部署ZooKeeper是一個(gè)分布式的，開放源碼的分布式應(yīng)用程序協(xié)調(diào)服務(wù)，是Google的Chubby一個(gè)開源的實(shí)現(xiàn)，是Hadoop和Hbase的重要組件。它是一個(gè)為分布式應(yīng)用提供一致性服務(wù)的軟件，提供的功能包括：配置維護(hù)、域名服務(wù)、分布式同步、組服務(wù)等。Flink(1)安裝包下載(2)配置zoo.cfg文件(3)myid文件(4)環(huán)境變量配置(5)安裝包分發(fā)(6)啟動集群(7)驗(yàn)證Scala安裝05Scala安裝spark是處理大數(shù)據(jù)的開源框架，底層是使用scala腳本語言開發(fā)，對scala支持最好，同時(shí)支持java、python、r語言等。scala是一種綜合了面向?qū)ο蠛秃瘮?shù)式編程概念的靜態(tài)類型的多范式編程語言。Scala運(yùn)行于Java平臺（Java虛擬機(jī)），并兼容現(xiàn)有的Java程序。本節(jié)主要講解Linux中Scala的安裝與配置。Flink(1)安裝包下載解壓(2)環(huán)境變量配置(3)安裝文件分發(fā)(4)驗(yàn)證感謝大家的聆聽Spark環(huán)境搭建目錄/Contents01

Standalone模式部署02JDK安裝03Hadoop集群部署04

ZooKeeper集群部署05Scala安裝

Standalone模式部署01

Standalone模式部署即獨(dú)立模式，自帶完整的服務(wù)，可單獨(dú)部署到一個(gè)集群中，無需依賴任何其他資源管理系統(tǒng)。從一定程度上說，該模式是其他兩種的基礎(chǔ)。借鑒Spark開發(fā)模式，我們可以得到一種開發(fā)新型計(jì)算框架的一般思路：先設(shè)計(jì)出它的standalone模式，為了快速開發(fā)，起初不需要考慮服務(wù)（比如master/slave）的容錯(cuò)性，之后再開發(fā)相應(yīng)的wrapper，將stanlone模式下的服務(wù)原封不動的部署到資源管理系統(tǒng)yarn或者mesos上，由資源管理系統(tǒng)負(fù)責(zé)服務(wù)本身的容錯(cuò)。目前Spark在standalone模式下是沒有任何單點(diǎn)故障問題的，這是借助zookeeper實(shí)現(xiàn)的，思想類似于HBasemaster單點(diǎn)故障解決方案。將Sparkstandalone與MapReduce比較，會發(fā)現(xiàn)它們兩個(gè)在架構(gòu)上是完全一致的：

Standalone模式部署1．下載安裝spark2．配置spark在spark官網(wǎng)下載tar.gz安裝包，本節(jié)使用的是spark2.3.2。在下載安裝包時(shí)需要對應(yīng)好Hadoop的版本，本書使用的是Hadoop2.7.4安裝包解壓完成后需要進(jìn)行相關(guān)的配置，可以在一臺機(jī)器上配置好之后使用scp命令copy到其他機(jī)器上，在配置之前需要將四臺虛擬機(jī)關(guān)機(jī)后做一個(gè)快照，方便后面兩種模式的部署。SparkonYARN模式部署02SparkonYARN模式部署這是一種很有前景的部署模式。但限于YARN自身的發(fā)展，目前僅支持粗粒度模式（Coarse-grainedMode）。這是由于YARN上的Container資源是不可以動態(tài)伸縮的，一旦Container啟動之后，可使用的資源不能再發(fā)生變化，不過這個(gè)已經(jīng)在YARN計(jì)劃中了。sparkonyarn支持兩種模式：1)yarn-cluster：適用于生產(chǎn)環(huán)境；2)yarn-client：適用于交互、調(diào)試，希望立即看到app的輸出SparkonYARN模式部署安裝包下載解壓2.配置spark-env.sh3.重命名slaves.template文件4.配置slaves文件5.環(huán)境變量配置6.文件分發(fā)7.啟動集群8.驗(yàn)證9.運(yùn)行實(shí)例10.任務(wù)監(jiān)控SparkHA集群部署03SparkHA集群部署SparkStandalone集群是Master-Slaves架構(gòu)的集群模式，和大部分的Master-Slaves結(jié)構(gòu)集群一樣，存在著Master單點(diǎn)故障的問題。如何解決這個(gè)單點(diǎn)故障的問題，Spark提供了兩種方案：（1）基于文件系統(tǒng)的單點(diǎn)恢復(fù)(Single-NodeRecoverywithLocalFileSystem)。主要用于開發(fā)或測試環(huán)境。當(dāng)spark提供目錄保存sparkApplication和worker的注冊信息，并將他們的恢復(fù)狀態(tài)寫入該目錄中，這時(shí)，一旦Master發(fā)生故障，就可以通過重新啟動Master進(jìn)程（sbin/start-master.sh），恢復(fù)已運(yùn)行的sparkApplication和worker的注冊信息。（2）基于zookeeper的StandbyMasters(StandbyMasterswithZooKeeper)。用于生產(chǎn)模式。其基本原理是通過zookeeper來選舉一個(gè)Master，其他的Master處于Standby狀態(tài)。將spark集群連接到同一個(gè)ZooKeeper實(shí)例并啟動多個(gè)Master，利用zookeeper提供的選舉和狀態(tài)保存功能，可以使一個(gè)Master被選舉成活著的master，而其他Master處于Standby狀態(tài)。如果現(xiàn)任Master死去，另一個(gè)Master會通過選舉產(chǎn)生，并恢復(fù)到舊的Master狀態(tài)，然后恢復(fù)調(diào)度。整個(gè)恢復(fù)過程可能要1-2分鐘。SparkHA集群部署下載解壓安裝包2.配置spark-env.sh3.重命名slaves.template文件4.配置slaves文件5.環(huán)境變量配置6.文件分發(fā)7.啟動集群8.驗(yàn)證感謝大家的聆聽Spark運(yùn)行架構(gòu)與原理目錄/Contents01基本概念02Spark集群運(yùn)行架構(gòu)03Spark運(yùn)行基本流程基本概念01基本概念Spark運(yùn)行架構(gòu)包括集群資源管理器（ClusterManager）、運(yùn)行作業(yè)任務(wù)的工作節(jié)點(diǎn)（WorkerNode）、每個(gè)應(yīng)用的任務(wù)控制節(jié)點(diǎn)（Driver）和每個(gè)工作節(jié)點(diǎn)上負(fù)責(zé)具體任務(wù)的執(zhí)行進(jìn)程（Executor）。其中，集群資源管理器可以是Spark自帶的資源管理器，也可以是YARN或Mesos等資源管理框架。與HadoopMapReduce計(jì)算框架相比，Spark所采用的Executor有兩個(gè)優(yōu)點(diǎn)：一是利用多線程來執(zhí)行具體的任務(wù)（HadoopMapReduce采用的是進(jìn)程模型），減少任務(wù)的啟動開銷；二是Executor中有一個(gè)BlockManager存儲模塊，會將內(nèi)存和磁盤共同作為存儲設(shè)備，當(dāng)需要多輪迭代計(jì)算時(shí)，可以將中間結(jié)果存儲到這個(gè)存儲模塊里，下次需要時(shí)，就可以直接讀該存儲模塊里的數(shù)據(jù)，而不需要讀寫到HDFS等文件系統(tǒng)里，因而有效減少了IO開銷；或者在交互式查詢場景下，預(yù)先將表緩存到該存儲系統(tǒng)上，從而可以提高讀寫IO性能。

Standalone模式部署ApplicationDriver用戶編寫的Spark應(yīng)用程序，包含了DriverProgram以及在集群上運(yùn)行的程序代碼，物理機(jī)器上涉及了driver，master，worker三個(gè)節(jié)點(diǎn)。

Spark中的Driver即運(yùn)行Application的main函數(shù)并創(chuàng)建SparkContext，創(chuàng)建SparkContext的目的是為了準(zhǔn)備Spark應(yīng)用程序的運(yùn)行環(huán)境，在Spark中由SparkContext負(fù)責(zé)與ClusterManager通信，進(jìn)行資源申請、任務(wù)的分配和監(jiān)控等，當(dāng)Executor部分運(yùn)行完畢后，Driver同時(shí)負(fù)責(zé)將SparkContext關(guān)閉。

Standalone模式部署WorkerExecutor集群中任何一個(gè)可以運(yùn)行spark應(yīng)用代碼的節(jié)點(diǎn)。Worker就是物理節(jié)點(diǎn)，可以在上面啟動Executor進(jìn)程。在每個(gè)Worker上為某應(yīng)用啟動的一個(gè)進(jìn)程，該進(jìn)程負(fù)責(zé)運(yùn)行Task，并且負(fù)責(zé)將數(shù)據(jù)存在內(nèi)存或者磁盤上，每個(gè)任務(wù)都有各自獨(dú)立的Executor。Executor是一個(gè)執(zhí)行Task的容器。RDDRDD（ResilientDistributedDataset）叫做彈性分布式數(shù)據(jù)集，是Spark中最基本的數(shù)據(jù)抽象，它代表一個(gè)不可變、可分區(qū)、里面的元素可并行計(jì)算的集合。

Standalone模式部署TaskJob被送到某個(gè)Executor上的工作單元，但hadoopMR中的MapTask和ReduceTask概念一樣，是運(yùn)行Application的基本單位，多個(gè)Task組成一個(gè)Stage，而Task的調(diào)度和管理等是由TaskScheduler負(fù)責(zé)。包含多個(gè)Task組成的并行計(jì)算，往往由SparkAction觸發(fā)生成，一個(gè)Application中往往會產(chǎn)生多個(gè)Job。Stage每個(gè)Job會被拆分成多組Task，作為一個(gè)TaskSet，其名稱為Stage，Stage的劃分和調(diào)度是有DAGScheduler來負(fù)責(zé)的，Stage有非最終的Stage（ShuffleMapStage）和最終的Stage（ResultStage）兩種，Stage的邊界就是發(fā)生shuffle的地方。Spark集群運(yùn)行架構(gòu)02Spark集群運(yùn)行架構(gòu)Spark是基于內(nèi)存計(jì)算的大數(shù)據(jù)并行計(jì)算框架，比MapReduce計(jì)算框架具有更高的實(shí)時(shí)性，同時(shí)具有高效容錯(cuò)性和可伸縮性，在學(xué)習(xí)Spark操作之前，首先介紹Sprk運(yùn)行架構(gòu)。Spark運(yùn)行基本流程03Spark運(yùn)行基本流程Spark運(yùn)行架構(gòu)主要由SparkContext、ClusterManagaer和Worker組成，其中ClusterManager負(fù)責(zé)整個(gè)集群的同一資源管理，Worker節(jié)點(diǎn)中的Executor是應(yīng)用執(zhí)行的主要進(jìn)程，內(nèi)部含有多個(gè)Task線程以及內(nèi)存空間。Spark運(yùn)行基本流程1）構(gòu)建SparkApplication的運(yùn)行環(huán)境（啟動SparkContext），SparkContext向ClusterManager注冊，并申請運(yùn)行Executor資源。2）ClusterManager為Executor分配資源并啟動Executor進(jìn)程，Executor運(yùn)行情況將隨著“心跳”發(fā)送到ClusterManager上。3）SparkContext構(gòu)建DAG圖，將DAG圖分解成多個(gè)Stage，并把每個(gè)Stage的TaskSet（任務(wù)集）發(fā)送給TaskScheduler(任務(wù)調(diào)度器）。Executor向SparkContext申請Task,TaskScheduler將Task發(fā)放給Executor,同時(shí)，SparkContext將應(yīng)用程序代碼發(fā)放給Executor。4）Task在Executor上運(yùn)行，把執(zhí)行結(jié)果反饋給TaskScheduler，然后再反饋給DAGScheduler。運(yùn)行完畢后寫入數(shù)據(jù)，SparkContext向ClusterManager注銷并釋放所有資源。感