Spark配置的一点小结

这两天配置Hadoop和Spark真是死去活来。 网上提供的做法都挺详尽，但是有些细节基本所有人都选择性忽略掉~ 特此捡起来，权当个记录

1. Spark是什么？安装流程是什么样的？

Spark是一个强大的分布式计算引擎。他和Hadoop并不是平行关系：他的基石就是Hadoop MapReduce架构，在此基础上加以改进，并支持Scala来做更为便捷和有美感(Java迷别打我)的编程。

配置分布式系统有4种方案

要么你就弄个不分布式的单点系统
要么你就买几个电脑弄个真正的分布式系统
要么你就骗一骗电脑弄个伪分布式系统

怎么只有3个？伪分布式系统又可以有两种做法：

用虚拟机(e.g: VMWare)实现
用单机实现
由于胖丁已经分区装了个Ubuntu16双系统玩caffe，于是就只能用单机实现伪分布式咯。

网上的流程具体总结如下：

安装系统，Ubuntu和CentOS公说公好婆说婆好~ 大家自行选择
建个专门做hadoop的PID，个人觉得没有必要，不过我还是这么做了(毕竟另一个PID还有个难缠的caffe，最好别撞在一起)
把Java，Scala安装配置好，特别是~/.bashrc，后面hadoop和spark也要分别配置好~
下载Hadoop和Spark，分别解压缩到/usr/local/hadoop和/usr/local/spark里面
配置Hadoop里面的 /usr/local/hadoop/etc/hadoop里面的很多xml和一个env文件(伪分布式不用碰masters和slaves两个文件)
配置/etc/hosts文件
运行hadoop的start-all.sh, 再用jps查看，有jps加上namenode,datanode,nodemanager,resourcemanager,secondarynamenode 你就成功了
配置Spark里面的 /usr/local/spark/conf里面的env文件

运行spark的start-all.sh, 再用jps查看，原基础上多了Master和Worker你就成功了

关于上面的第6点我要重点拿出来说。无论是伪分布式还是真实分布，我们都要在里面设置master/slave和他们对应的地址。小白的我之前都是看到网上写什么我就抠什么ip地址塞进去，直到最后才发现：要根据你的设备的真实IP地址来修改的。

假如是伪分布式地址，则所有master和slave都用同一个IP，就是你主机的IP（用ifconfig可以查看）；
假如是真分布的，就用真实的IP地址。

正常说，内网的IP地址都是198.168.xxx.xxx

还有要注意，Hadoop2.x之后就没有JobTracker和TaskTracker这东西了，之前让我一顿好找。网上很多教程都过时了，慎看~