spark初体验

现在这个美好的时代，作为一个技术人，如果连Spark的大名都不知道，那显然是说不过去的，话说大数据的时候，必提Hadoop、Spark。我跟进Spark也好些日子，这次用最新搭建的Hadoop实验集群用最新的Spark来体验了一把酸甜苦辣!

环境信息：

centos 6.7 64位

Hadoop-2.7.2(QJM HA)

Spark-1.6.1

scala 2.10.5

我用的是Standalone模式，hadoop-2.7.2已经安装好，并且支持LZO压缩，Hive-1.2.1运行良好，spark和hadoop都运行在同一个用户和用户组下(hadoop:hadoop)，HADOOP_HOME=/home/hadoop/hadoop-2.7.2，spark和Hadoop混合部署，在有hadoop的节点上都部署spark。

直接下载：http://www.apache.org/dyn/closer.lua/spark/spark-1.6.1/spark-1.6.1-bin-without-hadoop.tgz，解压缩后做如下变更即可试运行spark了。

（1）变更spark-env.sh文件内容

#SYSTEM
JAVA_HOME=/usr/local/jdk
SCALA_HOME=/usr/local/scala
HADOOP_HOME=/home/hadoop/hadoop-2.7.2
HADOOP_CONF_DIR=/home/hadoop/hadoop-2.7.2/etc/hadoop
SPARK_DIST_CLASSPATH=$(/home/hadoop/hadoop-2.7.2/bin/hadoop classpath)
#SPARK_DIST_CLASSPATH=$(hadoop --config /home/hadoop/hadoop-2.7.2/etc/hadoop classpath)
#export SPARK_DIST_CLASSPATH="$SPARK_DIST_CLASSPATH:/home/hadoop/hadoop-2.7.2/share/hadoop/tools/lib/*"
#spark
SPARK_HOME=/home/hadoop/spark
SPARK_MASTER_IP=lrts5
SPARK_WORKER_CORES=4
SPARK_WORKER_INSTANCES=1
SPARK_WORKER_MEMORY=4g
SPARK_EXECUTOR_CORES=1
SPARK_EXECUTOR_MEMORY=1g
#spark
SPARK_WORKER_DIR=/home/hadoop/spark/work
SPARK_LOG_DIR=/home/hadoop/spark/logs
SPARK_PID_DIR=/home/hadoop/spark/pid
#LZO
export SPARK_CLASSPATH=/home/hadoop/hadoop-2.7.2/share/hadoop/common/hadoop-lzo-0.4.20-SNAPSHOT.jar
export SPARK_CLASSPATH=$SPARK_CLASSPATH:$CLASSPATH
export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:$HADOOP_HOME/lib/native
export HADOOP_CONF_DIR=/home/hadoop/hadoop-2.7.2/etc/hadoop

（2）变更slave文件内容

lrts5
lrts6
lrts7
lrts8

（3）将Hadoop的hdfs-site.xml 和core-site.xml文件复制到spark/conf目录下

（4）追加如下内容到 spark-defaults.conf文件

spark.files file:///home/hadoop/spark/conf/hdfs-site.xml,file:///home/hadoop/spark/conf/core-site.xml

如果不加这个，会有如下问题发生：

java.lang.IllegalArgumentException: java.net.UnknownHostException: mycluster

at org.apache.hadoop.security.SecurityUtil.buildTokenService(SecurityUtil.java:418)

at org.apache.hadoop.hdfs.NameNodeProxies.createNonHAProxy(NameNodeProxies.java:231)

at org.apache.hadoop.hdfs.NameNodeProxies.createProxy(NameNodeProxies.java:139)

at org.apache.hadoop.hdfs.DFSClient.<init>(DFSClient.java:510)

at org.apache.hadoop.hdfs.DFSClient.<init>(DFSClient.java:453)

at org.apache.hadoop.hdfs.DistributedFileSystem.initialize(DistributedFileSystem.java:136)

at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2433)

at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:88)

at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2467)

at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2449)

at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:367)

at org.apache.hadoop.fs.Path.getFileSystem(Path.java:287)

at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:221)

at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:270)

at org.apache.spark.rdd.HadoopRDD.getPartitions(HadoopRDD.scala:172)

at org.apache.spark.rdd.RDD

（5）读取hdfs中的lzo文件，并且分片来执行

import org.apache.hadoop.io._
import com.hadoop.mapreduce._
val data = sc.newAPIHadoopFile[LongWritable, Text, LzoTextInputFormat]("hdfs://mycluster/user/hive/warehouse/logs_app_nginx/logdate=20160322/loghost=70/var.log.nginx.access_20160322.log.70.lzo")
data.count()

（6）读取hdfs中的通配符表示的目录和子目录下文件，并且分片来执行

import org.apache.hadoop.io._
import com.hadoop.mapreduce._
val dirdata = sc.newAPIHadoopFile[LongWritable, Text, LzoTextInputFormat]("hdfs://mycluster/user/hive/warehouse/logs_app_nginx/logdate=20160322/loghost=*/")
dirdata.count()

参考：

http://stackoverflow.com/questions/33174386/accessing-hdfs-ha-from-spark-job-unknownhostexception-error