Hadoop&Spark搭建

概念
Hadoop，一种分析和处理大数据的软件平台。是Appach的一个用JAVA语言实现的开源软件的加框，在大量计算机组成的集群中实现了对于海量数据进行的分布式计算。
Hadoop的框架核心设计是：HDFS和MapReduce.HDFS为海量数据提供了存储，则MapReduce为海量数据提供了计算。

关于HDFS分布式文件系统

用于数据的存储
大文件被分成多块，以冗余镜像的方式分布在不同的机器中。

关于MapReduce

Hadoop为每个input split创建一个task调用Map计算，task计算input中的每个记录，然后Map将结果以key-value形式输出。按照key值将结果整理交给Reduce,Reduce输出结果。保存在HDFS。

Hadoop集群组成

NameNode

• 文件如何拆分
• 被拆分部分都存储在哪些DataNode节点
• 文件系统运行的状态信息(从DataNode接受心跳信号，管理节点工作状态)

Secondary NameNode

• 帮助NameNode收集文件系统运行的状态信息

JobTracker

• 当有任务提交到Hadoop集群的时候负责Job的运行,负责调度多个TaskTracker

TaskTracker

• 负责某一个map或者reduce任务.

数据处理流程：

数据文件被分割，分割块以冗余镜像的方式下放到DataNode上。分割方法及分割后文件块的去向记录在NameNode中，有计算任务提交时，JobTracker调度TaskTracker执行计算任务。
Secondary NameNode收集文件系统运行的状态信息。

1.下载安装Hadoop的发行版

下载 http://hadoop.apache.org/releases.html
解压

2.配置java环境

$ cd hadoop-2.8.2/etc/hadoop

修改hadoop-env.sh文件中的jdk路径为：

export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk-9.0.1.jdk/Contents/Home/

修改后执行：

bin/hadoop version 

显示版本信息，安装成功

单机模式的操作方法
默认情况下，Hadoop被配置成以非分布式模式运行的一个独立Java进程。这对调试非常有帮助。

下面的实例将已解压的 conf 目录拷贝作为输入，查找并显示匹配给定正则表达式的条目。输出写入到指定的output目录。

$ mkdir input 
$ cp etc/hadoop/*.xml input 
$ cp ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.2.jar .
$ bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+' 
$ cat output/*

4. 通过命令与HDFS交互

伪分布式配置

1.首先设置HADOOP的环境变量，追加~/.bash_profile文件

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_INSTALL=$HADOOP_HOME
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

hadoop的配置文件有两个：
hdfs-site.xml 和 core-site.xml

2.修改core-site.xml

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

3. 修改hdfs-site.xml

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

4.执行namenode格式化命令

$./bin/hadoop namenode -format

显示：

格式化成功

5.开启Namenode和DataNode守护进程

$ ./sbin/start-dfs.sh 

可能遇到问题：

打开ssh服务即可
遇到询问，就填yes
开启后，运行jps命令，查看开启是否成功

成功启动后，可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

6.关闭时运行：

./sbin/stop-dfs.sh

下次启动不需要格式化namenode，直接运行start-dfs.sh即可。

Spark搭建

1.下载安装Spark开发包

http://mirrors.tuna.tsinghua.edu.cn/apache/spark/spark-2.2.0/spark-2.2.0-bin-hadoop2.7.tgz

$ tar -zxvf spark-2.2.0-bin-hadoop2.7.tgz -C /usr/local/
$ cd /usr/local/
$ mv spark-2.2.0-bin-hadoop2.7/ spark/

2.修改配置文件

spark的配置文件为spark-env.sh
将 spark/conf/spark-env.sh.template改为spark/conf/spark-env.sh配置文件生效
然后追加配置文件加入JAVA路径：

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

保存后，spark就可以运行了

3.运行Spark

测试用例计算PI值

$ ./bin/run-example SparkPi

使用grep过滤输出：

./bin/run-example SparkPi 2>&1 | grep "Pi is roughly"

也有运行python程序的命令：

./bin/spark-submit examples/src/main/python/pi.py

4.SHELL交互

Spark shell 提供了简单的方式来学习 API，也提供了交互的方式来分析数据。Spark Shell 支持 Scala 和 Python，本教程选择使用 Scala 来进行介绍。

执行命令：

./bin/spark-shell

可能遇到问题1：

解决：
查看JDK版本是否不兼容（我的9.0.1版本用不了）,更换版本为1.8.0版本，下载地址：
http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
安装后配置环境变量，修改~/.bash_profile文件：

export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk1.8.0_151.jdk/Contents/Home
export PATH=$JAVA_HOME/bin:$PATH
export CLASSPATH=$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar:.

然后安装scala包：
下载地址：

http://www.scala-lang.org/download/2.11.11.html/

解压到/usr/local下
添加环境变量：

$ open -e ~/.bash_profile

加入：

export SCALA_HOME=/usr/local/scala
export PATH=$SCALA_HOME/bin:$PATH

可能遇到问题2：

图1是缺少创建 metastore_db的权限
解决：

$ chmod 777 /usr/local/spark 

执行启动命令：

$ ./bin/spark-shell

成功