本文主要介绍如何在挂载文件存储HDFS版的Hadoop集群上安装及使用Apache Spark。

前提条件

步骤一：配置Hadoop

  1. 执行以下命令解压Hadoop压缩包到指定目录。
    tar -zxf hadoop-2.7.2.tar.gz -C /usr/local/
  2. 修改hadoop-env.sh配置文件。
    1. 执行以下命令打开hadoop-env.sh配置文件。
      vim /usr/local/hadoop-2.7.2/etc/hadoop/hadoop-env.sh
    2. 配置JAVA_HOME目录，如下所示。
      export JAVA_HOME=/usr/java/default
  3. 修改core-site.xml配置文件。
    1. 执行以下命令打开core-site.xml配置文件。
      vim /usr/local/hadoop-2.7.2/etc/hadoop/core-site.xml
    2. 在core-site.xml配置文件中，配置如下信息。更多信息，请参见挂载文件系统。
      <configuration>
    <property>
         <name>fs.defaultFS</name>
         <value>dfs://x-xxxxxxxx.cn-xxxxx.dfs.aliyuncs.com:10290</value>
         <!-- 该地址填写您的挂载点地址 -->
    </property>
    <property>
         <name>fs.dfs.impl</name>
         <value>com.alibaba.dfs.DistributedFileSystem</value>
    </property>
    <property>
         <name>fs.AbstractFileSystem.dfs.impl</name>
         <value>com.alibaba.dfs.DFS</value>
    </property>
</configuration>
  4. 修改yarn-site.xml配置文件。
    1. 执行如下命令打开yarn-site.xml配置文件。
      vim /usr/local/hadoop-2.7.2/etc/hadoop/yarn-site.xml
    2. 在yarn-site.xml配置文件中，配置如下信息。
      <configuration>
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>xxxx</value>
        <!-- 该地址填写集群中ResourceManager的Hostname -->
    </property>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
        <value>org.apache.hadoop.mapred.ShuffleHandler</value>
    </property>
    <property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>16384</value>
        <!-- 根据您当前的集群能力进行配置此项 -->
    </property>
    <property>
        <name>yarn.nodemanager.resource.cpu-vcores</name>
        <value>4</value>
        <!-- 根据您当前的集群能力进行配置此项 -->
    </property>
    <property>
        <name>yarn.scheduler.maximum-allocation-vcores</name>
        <value>4</value>
        <!-- 根据您当前的集群能力进行配置此项 -->
    </property>
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>3584</value>
        <!-- 根据您当前的集群能力进行配置此项 -->
    </property>
    <property>
        <name>yarn.scheduler.maximum-allocation-mb</name>
        <value>14336</value>
        <!-- 根据您当前的集群能力进行配置此项 -->
    </property>
</configuration>
  5. 修改slaves配置文件。
    1. 执行如下命令打开slaves配置文件。
      vim /usr/local/hadoop-2.7.2/etc/hadoop/slaves
    2. 在slaves配置文件中，配置集群计算节点的Hostname。
      cluster-header-1
cluster-worker-1
  6. 配置环境变量。
    1. 执行如下命令打开/etc/profile配置文件。
      vim /etc/profile
    2. 在/etc/profile配置文件中，配置HADOOP_HOME。
      export HADOOP_HOME=/usr/local/hadoop-2.7.2
export HADOOP_CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath)
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
    3. 执行如下命令使配置生效。
      source /etc/profile
  7. 配置文件存储HDFS版的Java SDK。

    您可以下载最新的文件存储HDFS版的Java SDK，将其部署在Hadoop生态系统组件的CLASSPATH上，具体操作，请参见挂载文件系统。 

    cp aliyun-sdk-dfs-x.y.z.jar  /usr/local/hadoop-2.7.2/share/hadoop/hdfs
  8. 执行如下命令将${HADOOP_HOME}文件夹同步到集群的其他节点的相同目录下，并按照步骤6对集群其他节点配置Hadoop的环境变量。
    scp -r hadoop-2.7.2/ root@cluster-worker-1:/usr/local/

步骤二：验证Hadoop配置

完成Hadoop配置后，不需要格式化NameNode，也不需要使用start-dfs.sh来启动HDFS相关服务。如需使用YARN服务，只需在ResourceManager节点启动YARN服务。具体验证Hadoop配置成功的方法，请参见验证安装。

步骤三：配置Apache Spark

  1. 执行如下命令解压Apache Spark压缩包到指定目录。
    tar -zxf spark-2.4.8-bin-hadoop2.7.tgz -C /usr/local/
  2. 将文件存储HDFS版Java SDK放到Spark的jars目录下。
    cp aliyun-sdk-dfs-x.y.z.jar  /usr/local/hadoop-2.7.2/share/hadoop/hdfs
    注意 如果您还需要对Spark进行额外配置。具体操作，请参见Spark官方文档。

步骤四：验证Apache Spark配置

使用Spark读取文件存储HDFS版上面的文件进行WordCount计算，并将计算结果写入文件存储HDFS版。

  1. 执行以下命令，在文件存储HDFS版上生成测试数据。
    hadoop jar ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar \
randomtextwriter \
-D mapreduce.randomtextwriter.totalbytes=10240 \
-D mapreduce.randomtextwriter.bytespermap=1024 \
dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/input

    其中，f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com为文件存储HDFS版挂载点地址，请根据实际情况替换。

  2. 启动spark-shell执行WordCount。
    ${SPARK_HOME}/bin/spark-shell --master yarn
scala> val res = sc.textFile("dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
scala> res.collect.foreach(println)
scala> res.saveAsTextFile("dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/output")
  3. 执行以下命令，查看写入文件存储HDFS版的结果数据。
    hadoop fs -ls dfs://f-xxxxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/output

    如果返回以下信息，则表示配置Apache Spark成功。

    验证Apache Spark