Spark分布式集群搭建的步骤
- 1）准备linux环境，设置集群搭建账号和用户组，设置ssh，关闭防火墙，关闭seLinux，配置host，hostname
- 2）配置jdk到环境变量
- 3）搭建hadoop集群，如果要做master，需要搭建zookeeper集、修改hdfs-site.xml,hadoop_env.sh,yarn-site.xml,slaves等配置文件
- 4）启动hadoop集群，启动前要格式化namenode
- 5）配置spark集群，修改spark-env.xml，slaves等配置文件，拷贝hadoop相关配置到spark conf目录下
- 6)启动spark集群。
spark的有几种部署模式，每种模式特点
- local(本地模式)：常用于本地开发测试，本地还分为local单线程和local-cluster多线程;
- standalone(集群模式)：典型的Mater/slave模式，不过也能看出Master是有单点故障的；Spark支持ZooKeeper来实现 HA
- on yarn(集群模式)： 运行在 yarn 资源管理器框架之上，由 yarn 负责资源管理，Spark 负责任务调度和计算
- on mesos(集群模式)： 运行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，Spark 负责任务调度和计算
- on cloud(集群模式)：比如 AWS 的 EC2，使用这个模式能很方便的访问 Amazon的 S3;Spark 支持多种分布式存储系统：HDFS 和 S3
下面对集中部署模式进行详细介绍
1、本地模式
该模式运行任务不会提交在集群中，只在本节点执行，有两种情况
本地模式: 测试或实验性质的本地运行模式 （单机）
运行该模式非常简单，只需要把Spark的安装包解压后，改一些常用的配置即可使用，而不用启动Spark的Master、Worker守护进程( 只有集群的Standalone方式时，才需要这两个角色)，也不用启动Hadoop的各服务（除非你要用到HDFS）。
Spark不一定非要跑在hadoop集群，可以在本地，起多个线程的方式来指定。将Spark应用以多线程的方式直接运行在本地，一般都是为了方便调试，本地单机模式分三类：
- local：只启动一个executor
- local[k]:启动k个executor
- local[*]：启动跟cpu数目相同的 executor
搭建步骤：
- 安装java
$ sudo apt-get install openjdk-8-jre
（中间有报错：raise IllegalArgumentException(s.split(': ', 1)[1], stackTrace)
pyspark.sql.utils.IllegalArgumentException: u'Unable to locate hive jars to connect to metastore. Please set spark.sql.hive.metastore.jars.'，网上提示查看jdk版本，发现ubuntu 18.04默认是openjdk-11-jdk包(java -version提示10.0.1)。重新安装openjdk-8-jdk版本不报错）
- 配置jdk到环境变量
（可以用命令：sudo update-alternatives --config java来查看你的Java版本有哪些，需要将哪个添加到环境变量中）
$ sudo vim /etc/profile
- 添加
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
- 安装Scala
- 安装spark-2.3.1-bin-hadoop2.7（没有Hadoop的环境下）
$ sudo wget -c [http://mirror.bit.edu.cn/apache/spark/spark-2.3.1/spark-2.3.1-bin-hadoop2.7.tgz](http://mirror.bit.edu.cn/apache/spark/spark-2.3.1/spark-2.3.1-bin-hadoop2.7.tgz)
$ sudo tar zxf spark-2.3.1-bin-hadoop2.7.tgz -C /usr/lib/spark
$ cd /usr/lib/spark
$ sudo ln -s spark-2.3.1-bin-hadoop2.7 spark
$ sudo vim ~/.bashrc
- 添加
export SPARK_HOME=/usr/lib/spark/spark
export PATH=SPARK_HOME/bin
export PYTHONPATH=/home/rss/anaconda2/bin
（这里我修改了python的环境变量，使用自己的python
sudo ln -s /home/rss/anaconda2/bin/python /usr/bin/python
PATH=/usr/bin:$PATH） - 安装成功
运行：
使用spark-shell、spark-submit、pyspark
例如使用spark-shell：
local：单机、单核运行
local[k]:启动k个executor
local[]：启动跟cpu数目相同的 executor*
上述情况中，local[N]与local[*]相当于用单机的多个线程来模拟spark分布式计算，通常用来检验开发出来的程序逻辑上有没有问题。
其中N代表可以使用N个线程，每个线程拥有一个core。
这些任务的线程，共享在一个进程中，可以开到，在程序的执行过程中只会产生一个进程，这个进程揽下了所有的任务，既是客户提交任务的client进程，又是spark的driver程序，还是spark执行task的executor
本地模式: 测试或实验性质的本地伪集群运行模式（单机本地模拟集群）
这种运行模式，和Local[N]很像，不同的是，它会在单机启动多个进程来模拟集群下的分布式场景，而不像Local[N]这种多个线程只能在一个进程下委屈求全的共享资源。通常也是用来验证开发出来的应用程序逻辑上有没有问题，或者想使用Spark的计算框架而没有太多资源。
用法：提交应用程序时使用local-cluster[x,y,z]参数：x代表要生成的executor数，y和z分别代表每个executor所拥有的core和memory数。
$ spark-submit --master local-cluster[2,3,1024] ss.py
上面这条命令代表会使用2个executor进程，每个进程分配3个core和1G的内存，来运行应用程序。可以看到，在程序执行过程中，会生成如下几个进程：
