转载来自：http://www.cnblogs.com/spark-china/p/3941878.html
-
在VMWare 中准备第二、第三台运行Ubuntu系统的机器；
在VMWare中构建第二、三台运行Ubuntu的机器和构建第一台机器完全一样，再次不在赘述。。
与安装第一台Ubuntu机器不同的几点是：
第一点：我们把第二、三台Ubuntu机器命名为了Slave1、Slave2，如下图所示：
创建完的VMware中就有三台虚拟机了：
第二点：为了简化Hadoop的配置，保持最小化的Hadoop集群，在构建第二、三台机器的时候使用相同的root超级用户的方式登录系统。
2.按照配置伪分布式模式的方式配置新创建运行Ubuntu系统的机器；
按照配置伪分布式模式的方式配置新创建运行Ubuntu系统的机器和配置第一台机器完全相同，
下图是家林完全安装好后的截图：
3. 配置Hadoop分布式集群环境；
根据前面的配置，我们现在已经有三台运行在VMware中装有Ubuntu系统的机器，分别是：Master、Slave1、Slave2；
下面开始配置Hadoop分布式集群环境：
Step 1：在/etc/hostname中修改主机名并在/etc/hosts中配置主机名和IP地址的对应关系：
我们把Master这台机器作为Hadoop的主节点，首先看一下Master这台机器的IP地址：
可以看到当前主机的ip地址是“192.168.184.133”.
我们在/etc/hostname中修改主机名：
进入配置文件：
可以看到按照我们装Ubuntu系统时候的默认名称，配置文件中的机器的名称是” rocky-virtual-machine”，我们把” rocky-virtual-machine”改为“Master”作为Hadoop分布式集群环境的主节点：
保存退出。此时使用以下命令查看当前主机的主机名：
发现修改的主机名没有生效，为使得新修改的主机名生效，我们重新启动系统后再次查看主机名：
发现我们的主机名成为了修改后的“Master”,表明修改成功。
打开在/etc/hosts 文件：
此时我们发现文件中只有Ubuntu系统的原始ip（127.0.0.1）地址和主机名（localhost）的对应关系:
我们在/etc/hosts中配置主机名和IP地址的对应关系：
修改之后保存退出。
接下来我们使用“ping”命令看一下主机名和IP地址只见的转换关系是否正确：
可以看到此时我们的主机“Master”对应的IP地址是“192.168.184.133”，这表明我们的配置和运行都是正确的。
进入第二台机器，看一下这台主机的IP地址：
可以看出这台主机的IP地址是“192.168.184.131”.
我们在/etc/hostname中把主机名称修改为“Slave1”:
保存退出。
为了使修改生效，我们重新启动该机器，此时查看主机名：
表明我们的修改生效了。
进入第三台机器，看一下这台主机的IP地址：
可以看出这台主机的IP地址是“192.168.184.132”.
我们在/etc/hostname中把主机名称修改为“Slave2”:
保存退出。
为了使修改生效，我们重新启动该机器，此时查看主机名：
表明我们的修改生效了。
现在， Slave1上的/etc/hosts中配置主机名和IP地址的对应关系，打开后：
此时我们修改为配置文件为：
把“Master”和“Slave1”和“Slave2”的主机名和IP地址的对应关系都配置进去。保存退出。
我们此时ping一下Master这个节点发现网络访问没有问题：
接着，在 Slave2上的/etc/hosts中配置主机名和IP地址的对应关系，配置完后如下：
保存退出。
此时我们ping一下Master和Slave1发现都可以ping通；
最后把在 Master上的/etc/hosts中配置主机名和IP地址的对应关系，配置完后如下：
此时在Master上使用ping命令和Slave1和Slave2这两台机器进行沟通：
发现此时已经ping通了两个slave节点的机器。
最后我们在测试一下Slave1这台机器和Master、Slave2的通信：
到目前为止，Master、Slave1、Slave2这三台机器之间实现了相互通信！
Step 2：SSH无密码验证配置
首先我们看一下在没有配置的情况下Master通过SSH协议访问Slave1的情况：
此时会发现我们是需要密码的。我们不登陆进去，直接退出。
怎么使得集群能够通过SSH免登陆密码呢？
按照前面的配置，我们已经分布在Master、Slave1、Slave2这三台机器上的/root/.ssh/目录下生成一个私钥id_rsa和一个公钥id_rsa.pub。
此时把Slave1的id_rsa.pub传给Master，如下所示：
同时把Slave2的id_rsa.pub传给Master，如下所示：
在Master上检查一下是否复制了过来：
此时我们发现Slave1和Slave2节点的公钥已经传输过来
Master节点上综合所有公钥：
将Master的公钥信息authorized_keys复制到Slave1和Slave1的.ssh目录下：
此时再次通过SSH登录Slave1和Slave2：
此时Master通过SSH登录Slave1和Slave2已经不需要密码，同样的Slave1或者Slave2通过SSH协议登录另外两台机器也不需要密码了。
Step 3：修改Master、Slave1、Slave2的配置文件
首先修改Master的core-site.xml文件，此时的文件内容是：
我们把“localhost”域名修改为“Master”:
同样的操作分别打开Slave1和Slave2节点core-site.xml，把“localhost”域名修改为“Master”。
其次修改Master、Slave1、Slave2的mapred-site.xml文件.
进入Master节点的mapred-site.xml文件把“localhost”域名修改为“Master”，保存退出。
同理，打开Slave1和Slave2节点mapred-site.xml，把“localhost”域名修改为“Master”，保存退出。
最后修改Master、Slave1、Slave2的hdfs-site.xml文件：
我们把三台机器上的“dfs.replication”值由1改为3，这样我们的数据就会有3份副本：
保存退出。
Step 4：修改两台机器中hadoop配置文件的masters和slaves文件
首先修改Master的masters文件：
进入文件：
把“localhost”改为“Master”：
保存退出。
修改Master的slaves文件，
进入该文件：
具体修改为：
保存退出。
从上面的配置可以看出我们把Master即作为主节点，又作为数据处理节点，这是考虑我们数据的3份副本而而我们的机器台数有限所致。
把Master配置的masters和slaves文件分别拷贝到Slave1和Slave2的Hadoop安装目录下的conf文件夹下：
进入Slave1或者Slave2节点检查masters和slaves文件的内容：
发现拷贝完全正确。
至此Hadoop的集群环境终于配置完成！
4.测试Hadoop分布式集群环境；
首先在通过Master节点格式化集群的文件系统：
输入“Y”完成格式化：
格式化完成以后，我们启动hadoop集群：
我们在尝试一下停止Hadoop集群：
此时出现了“no datanode to stop”的错误，出现这种错误的原因如下：
每次使用 “hadoop namenode -format”命令格式化文件系统的时候会出现一个新的namenodeId，而我我们在搭建Hadoop单机伪分布式版本的时候往我们自己创建的tmp目录下放了数据，现在需要把各台机器上的“/usr/local/hadoop/hadoop-1.2.1/”下面的tmp及其子目录的内容清空，于此同时把“/tmp”目录下的与hadoop相关的内容都清空，最后要把我们自定义的hdfs文件夹中的data和name文件夹中的内容清空：
把Slave1和Slave2中同样的内容均删除掉。
重新格式化并重新启动集群，此时进入Master的Web控制台：
此时可以看到Live Nodes只有三个，这正是我们预期的，因为我们Master、Slave1、Slave2都设置成为了DataNode，当然Master本身同时也是NameNode。
此时我们通过JPS命令查看一下三台机器中的进程信息：
发现Hadoop集群的各种服务都正常启动。
至此，Hadoop集群构建完毕。
在1、2讲的从零起步构建好的Hadoop集群的基础上构建Spark集群，我们这里采用2014年5月30日发布的Spark 1.0.0版本，也就是Spark的最新版本，要想基于Spark 1.0.0构建Spark集群，需要的软件如下：
1.Spark 1.0.0，笔者这里使用的是spark-1.0.0-bin-hadoop1.tgz， 具体的下载地址是http://d3kbcqa49mib13.cloudfront.net/spark-1.0.0-bin-hadoop1.tgz
如下图所示：
笔者是保存在了Master节点如下图所示的位置：
2.下载和Spark 1.0.0对应的Scala版本，官方要求的是Scala必须为Scala 2.10.x：
笔者下载的是“Scala 2.10.4”，具体官方下载地址为http://www.scala-lang.org/download/2.10.4.html 下载后在Master节点上保存为：
第二步：安装每个软件
安装Scala
- 打开终端，建立新目录“/usr/lib/scala”，如下图所示：
2.解压Scala文件，如下图所示：
把解压好的Scala移到刚刚创建的“/usr/lib/scala”中，如下图所示
3.修改环境变量:
进入如下图所示的配置文件中：
按下“i”进入INSERT模式，把Scala的环境编写信息加入其中，如下图所示：
从配置文件中可以看出，我们设置了“SCALA_HOME”并把Scala的bin目录设置到了PATH中。
按下“esc“键回到正常模式，保存并退出配置文件：
执行以下命令是配置文件的修改生效：
4.在终端中显示刚刚安装的Scala版本，如下图所示
发现版本是”2.10.4”，这正是我们期望的。
当我们输入“scala”这个命令的的时候，可以直接进入Scala的命令行交互界面：
此时我们输入“9*9”这个表达式：
此时我们发现Scala正确的帮我们计算出了结果 。
此时我们完成了Master上Scala的安装；
由于我们的 Spark要运行在Master、Slave1、Slave2三台机器上，此时我们需要在Slave1和Slave2上安装同样的Scala，使用scp命令把Scala安装目录和“~/.bashrc”都复制到Slave1和Slave2相同的目录之之下，当然，你也可以按照Master节点的方式手动在Slave1和Slave2上安装。
在Slave1上Scala安装好后的测试效果如下：
在Slave2上Scala安装好后的测试效果如下：
至此，我们在Master、Slave1、Slave2这三台机器上成功部署Scala。
安装Spark
Master、Slave1、Slave2这三台机器上均需要安装Spark。
首先在Master上安装Spark，具体步骤如下：
第一步：把Master上的Spark解压：
我们直接解压到当前目录下：
此时，我们创建Spark的目录“/usr/local/spark”:
把解压后的“spark-1.0.0-bin-hadoop1”复制到/usr/local/spark”下面：
第二步：配置环境变量
进入配置文件：
在配置文件中加入“SPARK_HOME”并把spark的bin目录加到PATH中：
配置后保存退出，然后使配置生效：
第三步：配置Spark
进入Spark的conf目录：
在配置文件中加入“SPARK_HOME”并把spark的bin目录加到PATH中：
把spark-env.sh.template 拷贝到spark-env.sh：
使用vim打开spark-env.sh：
在配置文件中添加如下配置信息:
其中：
JAVA_HOME:指定的是Java的安装目录；
SCALA_HOME:指定的是Scala的安装目录；
SPARK_MASTER_IP:指定的是Spark集群的Master节点的IP地址；
SPARK_WORKER_MEMOERY:指定的Worker节点能够最大分配给Excutors的内存大小，因为我们的三台机器配置都是2g，为了最充分的使用内存，这里设置为了2g；
HADOOP_CONF_DIR:指定的是我们原来的Hadoop集群的配置文件的目录；
保存退出。
接下来配置Spark的conf下的slaves文件，把Worker节点都添加进去：
打开后文件的内容：
我们需要把内容修改为：
可以看出我们把三台机器都设置为了Worker节点，也就是我们的主节点即是Master又是Worker节点。
保存退出。
上述就是Master上的Spark的安装。
启动并查看集群的状况
第一步：启动Hadoop集群，这个在第二讲中讲解的非常细致，在此不再赘述：
启动之后在Master这台机器上使用jps命令，可以看到如下进程信息：
在Slave1 和Slave2上使用jps会看到如下进程信息：
第二步：启动Spark集群
在Hadoop集群成功启动的基础上，启动Spark集群需要使用Spark的sbin目录下“start-all.sh”：
接下来使用“start-all.sh”来启动Spark集群！
读者必须注意的是此时必须写成“./start-all.sh”来表明是当前目录下的“start-all.sh”，因为我们在配置Hadoop的bin目录中也有一个“start-all.sh”文件！
此时使用jps发现我们在主节点正如预期一样出现了“Master”和“Worker”两个新进程！
此时的Slave1和Slave2会出现新的进程“Worker”：
此时，我们可以进入Spark集群的Web页面，访问“http://Master:8080”: 如下所示：
从页面上我们可以看到我们有三个Worker节点及这三个节点的信息。
此时，我们进入Spark的bin目录，使用“spark-shell”控制台：
此时我们进入了Spark的shell世界，根据输出的提示信息，我们可以通过“http://Master:4040” 从Web的角度看一下SparkUI的情况，如下图所示：
当然，你也可以查看一些其它的信息，例如Environment:
同时，我们也可以看一下Executors：
可以看到对于我们的shell而言，Driver是Master：50777.
至此，我们 的Spark集群搭建成功，Congratulations！
第一步：通过Spark的shell测试Spark的工作
Step1:启动Spark集群，这一点在第三讲讲的极为细致，启动后的WebUI如下：
Step2:启动Spark Shell：
此时可以通过如下Web控制台查看shell的情况：
Step3:把Spark安装目录“README.md”拷贝到HDFS系统上
在Master节点上新启动一个命令终端，并进入到Spark安装目录下：
我们把文件拷贝到HDFS的root文件夹下：
此时，我们观察一下Web控制台，会发现该文件已经成功上传到HDFS上：
Step4:在Spark shell之下操作编写代码，操作我们上传的“README.md”：
首先，我们看一下在Shell环境下的“sc”这个自动帮助我们生产的环境变量：
可以看出sc就是SparkContext的实例，这是在启动Spark Shell的时候系统帮助我们自动生成的，SparkContext是把代码提交到集群或者本地的通道，我们编写Spark代码，无论是要运行本地还是集群都必须有SparkContext的实例。
接下来，我们读取“README.md”这个文件：
我们把读取的内容保存给了file这个变量，其实file是一个MappedRDD，在Spark的代码编写中，一切都是基于RDD操作的；
再接下来，我们从读取的文件中过滤出所有的“Spark”这个词
此时生成了一个FilteredRDD;
再接下来，我们统计一下“Spark”一共出现了多少次：
从执行结果中我们发现“Spark”这个词一共出现了15次。
此时，我们查看Spark Shell的Web控制台：
发现控制台中显示我们提交了一个任务并成功完成，点击任务可以看到其执行详情：
那我们如何验证Spark Shell对README.md这个文件中的“Spark”出现的15次是正确的呢？其实方法很简单，我们可以使用Ubuntu自带的wc命令来统计，如下所示：
发现此时的执行结果也是15次，和Spark Shell的计数是一样一样的。
第二步：使用Spark的cache机制观察一下效率的提升
基于上面的内容，我们在执行一下以下语句：
发现同样计算结果是15.
此时我们在进入Web控制台：
发现控制台中清晰展示我们执行了两次“count”操作。
现在我们把“sparks”这个变量执行一下“cache”操作：
此时在执行count操作，查看Web控制台：
此时发现我们前后执行的三次count操作耗时分别是0.7s、0.3s、0.5s。
此时我们 第四次执行count操作，看一下Web控制台的效果：
控制台上清晰的第四次操作仅仅花费了17ms，比前三次的操作速度大约快了30倍的样子。这就是缓存带来的巨大速度提升，而基于缓存是Spark的计算的核心之一！
第三步：构建Spark的IDE开发环境
Step 1：目前世界上Spark首选的InteIIiJ IDE开发工具是IDEA,我们下载InteIIiJ IDEA:
这里下载是最新版本Version 13.1.4：
关于版本的选择，官方给出了如下选择依据：
我们在这里选择Linux系统下的”Community Edition FREE”这个版本，这能完全满足我们任意复杂程度的Scala开发需求。
家林下载完成后保存在本地的如下位置：
Step 2:安装IDEA并配置IDEA系统环境变量
创建“/usr/local/idea”目录：
把我们下载的idea压缩包解压到该目录下：
安装完成后，为了方便使用其bin目录下的命令，我们把它配置在“~/.bashrc”:
配置完成后保存退出并执行source命令使配置文件生效。
Step 3：运行IDEA并安装和配置IDEA的Scala开发插件：
官方文档指出：
我们进入IDEA的bin目录：
此时，运行“idea.sh”出现如下界面：
此时需要选择“Configure”进入IDEA的配置页面：
选择“Plugins”，进入插件安装界面：
此时点击左下角的“Install JetBrains plugin”选项进入如下页面：
在左上方的输入框中输入“scala”来查找scala插件:
此时点击右侧的“Install plugin”：
选择“Yes”即可开启Scala插件在IDEA中的自动安装过程。
此时大约需要花费2分钟去下载安装，当然，网速不同下载的耗时也会有所不同：
此时重启IDEA:
此时重启IDEA:
重启后进入如下界面：
Step 4：在IDEA中编写Scala代码：
首先在进入在我们前一步的进入界面中选择“Create New Project”：
此时选在左侧列表中的“Scala”选项：
为了方便以后的开发工作，我们选择右侧的“SBT”选项：
点击“Next”进入下一步，设置Scala工程的名称和目录：
点击“Finish”完成工程的创建：
由于我们在前面选择了“SBT”选择，所以IDEA此时智能的帮助我们构建SBT工具：
我们点击工程名称“HelloScala”：
IDEA自动完成SBT工具的安装需要一段时间，家林这里花了大约5分钟的时间，SBT好后SBT会自动帮我们建立好一些目录：
此时右击src下的main下的scala在弹出的“New”下选择“Scala Class”
输入文件名称：
把Kinde选择为“Object”：
点击“OK”完成：
此时把我们的“firstScalaApp”的源代码修改为如下内容：
此时我们点击“firstScalaApp”的右键选择“Run Scala Console”出现如下提示：
这是由于我们还没有设置Java的JDK路径，点击“OK”，进入如下视图：
此时我们选择最左侧的“Project”选项：
此时我们选择“No SDK”的“New”初选如下视图：
点击“JDK”选项：
选择我们在前面安装的JDK的目录：
点击“OK”
点击确认按钮：
此时直接点击代码区出现如下视图：
我们选择“Run ‘firstScalaApp’”来运行程序：
第一运行Scala会有些缓慢，运行结果如下图所示：
此时成功打印出“Hello Scala！”这个字符串。
此时表明程序运行成功。
Step 5：如果我们要用很酷的黑色背景，可以
File -> Settings -> Appearance -> Theme选择Darcula：
第四步：通过Spark的IDE搭建并测试Spark开发环境
Step 1：导入Spark-hadoop对应的包，次选择“File”–> “Project Structure” –> “Libraries”，选择“+”，将spark-hadoop 对应的包导入:
点击“OK”确认：
点击“OK”:
IDEA工作完成后会发现Spark的jar包导入到了我们的工程中：
Step 2：开发第一个Spark程序。打开Spark自带的Examples目录：
此时发现内部有很多文件，这些都是Spark给我提供的实例。
在我们的在我们的第一Scala工程的src下创建一个名称为SparkPi的Scala的object：
此时打开Spark自带的Examples下的SparkPi文件：
我们把该文的内容直接拷贝到IDEA中创建的SparkPi中：
第五步：测试Spark IDE开发环境
此时我们直接选择SparkPi并运行的话会出现如下错误提示：
从提示中可以看出是找不到Spark程序运行的Master机器。
此时需要配置SparkPi的执行环境：
选择“Edit Configurations”进入配置界面：
我们在Program arguments中输入“local”：
此配置说明我们的程序以local本地的模式运行，配置好后保存。
此时再次运行程序即可。
