文档

在文件存储 HDFS 版上使用Apache Spark

更新时间:

本文主要介绍如何在挂载文件存储 HDFS 版的Hadoop集群上安装及使用Apache Spark。

前提条件

步骤一:配置Hadoop

  1. 执行以下命令解压Hadoop压缩包到指定目录。

    tar -zxf hadoop-2.7.2.tar.gz -C /usr/local/
  2. 修改hadoop-env.sh配置文件。

    1. 执行以下命令打开hadoop-env.sh配置文件。

      vim /usr/local/hadoop-2.7.2/etc/hadoop/hadoop-env.sh
    2. 配置JAVA_HOME目录,如下所示。

      export JAVA_HOME=/usr/java/default
  3. 修改core-site.xml配置文件。

    1. 执行以下命令打开core-site.xml配置文件。

      vim /usr/local/hadoop-2.7.2/etc/hadoop/core-site.xml
    2. 在core-site.xml配置文件中,配置如下信息。更多信息,请参见挂载文件存储 HDFS 版文件系统

      <configuration>
          <property>
               <name>fs.defaultFS</name>
               <value>dfs://x-xxxxxxxx.cn-xxxxx.dfs.aliyuncs.com:10290</value>
               <!-- 该地址填写您的挂载点地址 -->
          </property>
          <property>
               <name>fs.dfs.impl</name>
               <value>com.alibaba.dfs.DistributedFileSystem</value>
          </property>
          <property>
               <name>fs.AbstractFileSystem.dfs.impl</name>
               <value>com.alibaba.dfs.DFS</value>
          </property>
      </configuration>
  4. 修改yarn-site.xml配置文件。

    1. 执行如下命令打开yarn-site.xml配置文件。

      vim /usr/local/hadoop-2.7.2/etc/hadoop/yarn-site.xml
    2. 在yarn-site.xml配置文件中,配置如下信息。

      <configuration>
          <property>
              <name>yarn.resourcemanager.hostname</name>
              <value>xxxx</value>
              <!-- 该地址填写集群中ResourceManager的Hostname -->
          </property>
          <property>
              <name>yarn.nodemanager.aux-services</name>
              <value>mapreduce_shuffle</value>
          </property>
          <property>
              <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
              <value>org.apache.hadoop.mapred.ShuffleHandler</value>
          </property>
          <property>
              <name>yarn.nodemanager.resource.memory-mb</name>
              <value>16384</value>
              <!-- 根据您当前的集群能力进行配置此项 -->
          </property>
          <property>
              <name>yarn.nodemanager.resource.cpu-vcores</name>
              <value>4</value>
              <!-- 根据您当前的集群能力进行配置此项 -->
          </property>
          <property>
              <name>yarn.scheduler.maximum-allocation-vcores</name>
              <value>4</value>
              <!-- 根据您当前的集群能力进行配置此项 -->
          </property>
          <property>
              <name>yarn.scheduler.minimum-allocation-mb</name>
              <value>3584</value>
              <!-- 根据您当前的集群能力进行配置此项 -->
          </property>
          <property>
              <name>yarn.scheduler.maximum-allocation-mb</name>
              <value>14336</value>
              <!-- 根据您当前的集群能力进行配置此项 -->
          </property>
      </configuration>
  5. 修改slaves配置文件。

    1. 执行如下命令打开slaves配置文件。

      vim /usr/local/hadoop-2.7.2/etc/hadoop/slaves
    2. 在slaves配置文件中,配置集群计算节点的Hostname。

      cluster-header-1
      cluster-worker-1
  6. 配置环境变量。

    1. 执行如下命令打开/etc/profile配置文件。

      vim /etc/profile
    2. 在/etc/profile配置文件中,配置HADOOP_HOME。

      export HADOOP_HOME=/usr/local/hadoop-2.7.2
      export HADOOP_CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath)
      export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
      export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
    3. 执行如下命令使配置生效。

      source /etc/profile
  7. 配置文件存储 HDFS 版的Java SDK。

    您可以下载最新的文件存储 HDFS 版的Java SDK,将其部署在Hadoop生态系统组件的CLASSPATH上,具体操作,请参见挂载文件存储 HDFS 版文件系统

    cp aliyun-sdk-dfs-x.y.z.jar  /usr/local/hadoop-2.7.2/share/hadoop/hdfs
  8. 执行如下命令将${HADOOP_HOME}文件夹同步到集群的其他节点的相同目录下,并按照步骤6对集群其他节点配置Hadoop的环境变量。

    scp -r hadoop-2.7.2/ hadoop@cluster-worker-1:/usr/local/

步骤二:验证Hadoop配置

完成Hadoop配置后,不需要格式化NameNode,也不需要使用start-dfs.sh来启动HDFS相关服务。如需使用YARN服务,只需在ResourceManager节点启动YARN服务。具体验证Hadoop配置成功的方法,请参见验证安装

步骤三:配置Apache Spark

  1. 执行如下命令解压Apache Spark压缩包到指定目录。

    tar -zxf spark-2.4.8-bin-hadoop2.7.tgz -C /usr/local/
  2. 文件存储 HDFS 版Java SDK放到Spark的jars目录下。

    cp aliyun-sdk-dfs-x.y.z.jar  /usr/local/hadoop-2.7.2/share/hadoop/hdfs
    说明

    如果您还需要对Spark进行额外配置。具体操作,请参见Spark官方文档。

步骤四:验证Apache Spark配置

使用Spark读取文件存储 HDFS 版上面的文件进行WordCount计算,并将计算结果写入文件存储 HDFS 版

  1. 执行以下命令,在文件存储 HDFS 版上生成测试数据。

    hadoop jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar \
    randomtextwriter \
    -D mapreduce.randomtextwriter.totalbytes=10240 \
    -D mapreduce.randomtextwriter.bytespermap=1024 \
    dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/input

    其中,f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com文件存储 HDFS 版挂载点地址,请根据实际情况替换。

  2. 启动spark-shell执行WordCount。

    ${SPARK_HOME}/bin/spark-shell --master yarn
    scala> val res = sc.textFile("dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
    scala> res.collect.foreach(println)
    scala> res.saveAsTextFile("dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/output")
  3. 执行以下命令,查看写入文件存储 HDFS 版的结果数据。

    hadoop fs -ls dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/output

    如果返回以下信息,则表示配置Apache Spark成功。

    验证Apache Spark
  • 本页导读 (1)
文档反馈