首先交代一下集群的规模和配置

集群有六台机器，均是VM虚拟机，每台256M的内存（原谅楼主物理机硬件不太给力）

主机名分别是cloud1~cloud6

每台机器上都装有jdk6,和hadoop-2.2.0

其中cloud4~cloud6上装有zookeeper

cloud1为hdfs文件系统的启动节点

cloud3为yarn资源管理的启动节点

（注意每台机器都配置好SSH免密码登录，可以在下面的hadoop部署链接中查看具体步骤）

有关hadoop和zookeeper的部署请看：

hadoop-2.2.0集群安装部署

zookeeper集群安装部署

本次实验目标是在六台虚拟机上装上spark，并且将cloud1作为主节点

首先将下载好的spark和scala包上传到cloud1上

scala下载地址

spark下载地址

注意安装时尽量不要使用root用户（这里使用cloud自定义用户）

安装scala：

tar –zxvf scala-2.10.5.tgz

mv scala-2.10.5 scala

安装spark：

tar -zxvf spark-1.3.0-bin-hadoop2.3.tgz

mv spark-1.3.1 spark

配置环境变量：

vi /etc/profile

export SCALA_HOME=/home/cloud/scala

export SPARK_HOME=/home/cloud/spark

export PATH=$$SPARK_HOME/bin:$SCALA_HOME/bin:$PATH

source /etc/profile

使用scala -version查看是否配置成功

进入spark目录，修改文件slaves

vi conf/slaves

cloud1

cloud2

cloud3

cloud4

cloud5

cloud6

修改spark-env.sh

vi conf/spark-env.sh

export SPARK_MASTER_IP=cloud1

export SPARK_WORKER_MEMORY=128m

export JAVA_HOME=/usr/java/jdk

export SCALA_HOME=/home/cloud/scala

export SPARK_HOME=/home/cloud/spark

export HADOOP_CONF_DIR=/home/cloud/hadoop/etc/hadoop

export SPARK_LIBRARY_PATH=$$SPARK_HOME/lib

export SCALA_LIBRARY_PATH=$SPARK_LIBRARY_PATH

export SPARK_WORKER_CORES=1

export SPARK_WORKER_INSTANCES=1

export SPARK_MASTER_PORT=7077

将cloud1上配置好的spark和scala通过scp复制到其他各个节点上（注意其他节点上的profile文件也要一致）

scp -r spark cloud2:/home/cloud/

scp -r scala cloud2:/home/cloud/

scp -r spark cloud3:/home/cloud/

scp -r scala cloud3:/home/cloud/

scp -r spark cloud4:/home/cloud/

scp -r scala cloud4:/home/cloud/

scp -r spark cloud5:/home/cloud/

scp -r scala cloud5:/home/cloud/

scp -r spark cloud6:/home/cloud/

scp -r scala cloud6:/home/cloud/

通过

sbin/start-all.sh

启动spark集群

http://cloud1:8080可以监控spark Standalone集群

如果要启动spark-shell连接到spark Standalone集群，有两种方法：

a：使用MASTER=spark://cloud1:7077 bin/spark-shell启动

b：配置在conf/spark-env.sh增加：

export MASTER=spark://$${SPARK_MASTER_IP}:${SPARK_MASTER_PORT}

然后使用使用./spark-shell启动

基于文件系统的单点恢复

主要用于开发或测试环境下

当spark提供目录保存spark Application和worker的注册信息，并将他们的恢复状态写

入该目录中，这时，一旦Master发生故障，就可以通过重新启动Master进程（sbin/start-master.sh），恢复已运行的spark Application和worker的注册信息。

基于文件系统的单点恢复，主要是在spark-env里对SPARK_DAEMON_JAVA_OPTS设置：

参数 含义

spark.deploy.recoveryMode：设成FILESYSTEM ， 缺省值为NONE

spark.deploy.recoveryDirectory：Spark 保存恢复状态的目录

export SPARK_DAEMON_JAVA_OPTS=”-Dspark.deploy.recoveryMode=FILESYSTEM -

Dspark.deploy.recoveryDirectory=/home/cloud/spark/recovery”

基于zookeeper的Standby Masters

参数 含义

spark.deploy.recoveryMode：设置成ZOOKEEPER，缺省值为 NONE

spark.deploy.zookeeper.url： ZooKeeper URL(如192.168.100.111:2181,192.168.100.112:2181…)

spark.deploy.zookeeper.dir：ZooKeeper 保存恢复状态的目录，缺省为 /spark

Master可以在任何时候添加或移除。如果发生故障切换，新的Master将联系所有以前注册的Application和Worker告知Master的改变。

export SPARK_DAEMON_JAVA_OPTS=”-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=cloud4:2181,cloud5:2181,cloud6:2181, -

Dspark.deploy.zookeeper.dir=/home/cloud/spark”

对于初次接触Spark的一些常见的问题：

1.小的数据量，如G级别，适合在Spark上运行吗？

大数据和数据大是两个不同的概念，大数据处理强调的是处理的速度，数据量的大小反而不是关键。例如，1G的数据要求在0.005秒之内处理完毕

2.Standalone和ON YARN模式有什么区别？

两者都是部署在多台节点上的分布式环境，Standalone从名字上就可以看出是Spark自己的集群，而ON YARN模式下，YARN提供了多框架并存的机制，不仅仅是Spark。并且还提供对多个框架之间是分配和调度资源的管理。

3.运行Spark一定需要Hadoop吗？

不一定，如果是学习需要，完全可以将Spark安装在local模式下，连HDFS都不需要

但是一般的商业部署架构为：Hadoop+Yarn+Spark

Hadoop的HDFS是大数据处理首选的文件系统，Spark需要历史数据，而这些数据就在HDFS中

Yarn多框架并存，资源管理保证了集群的高效和可用性

Spark应对大数据处理的各种场景，一套搞定，one stack to rule them all