0、前言
3月31日是 Spark 五周年纪念日，从第一个公开发布的版本开始，Spark走过了不平凡的5年：从刚开始的默默无闻，到13年的鹊起，14年的大爆发。Spark核心之上有分布式的机器学习，SQL，streaming和图计算库。
4月1日 spark 官方正式宣布 Spark 2.0 对Spark重构，更好支持手机等移动终端。Databricks创始人之一hashjoin透漏了相关的重构方法：利用Scala.js项目把Spark代码编译成JavaScript，然后利用Safari / Chrome在手机上执行。一个代码可以支持Android / iOS。但是考虑到性能关系，可能需要重写底层的网络模块来支持zero-copy。（确定是否愚人节玩笑呢 :) ）
ok，言归正传。Spark目前支持多种分布式部署方式：一、Standalone Deploy Mode；二、Amazon EC2 ；三、Apache Mesos；四、Hadoop YARN。第一种方式是单机部署，不需要有依赖的资源管理器，其它三种都需要将spark部署到对应的资源管理器上。
除了部署的多种方式之外，较新版本的Spark支持多种hadoop平台，比如从0.8.1版本开始分别支持Hadoop 1 (HDP1, CDH3)、CDH4、Hadoop 2 (HDP2, CDH5)。目前Cloudera公司的CDH5在用CM安装时，可直接选择Spark服务进行安装。目前Spark最新版本是1.3.0，本文就以1.3.0版本，来看看如何实现Spark 单机伪分布式以及分布式集群的安装。
1、安装环境
Spark 1.3.0需要JDK1.6或更高版本，我们这里采用jdk 1.6.0_32； Spark 1.3.0需要Scala 2.10或更高版本，我们这里采用scala 2.11.6；
记得配置下 scala 环境变量：
vim /etc/profile export SCALA_HOME=/home/hadoop/software/scala-2.11.4 export PATH=$SCALA_HOME/bin:$PATH
2、伪分布式安装
2.1 解压缩、配置环境变量即可
直接编辑 /etc/profile 或者 ~/.bashrc 文件，然后加入如下环境变量：
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop export SCALA_HOME=/home/hadoop/software/scala-2.11.4 export JAVA_HOME=/home/hadoop/software/jdk1.7.0_67 export SPARK_MASTER=localhost export SPARK_LOCAL_IP=localhost export HADOOP_HOME=/home/hadoop/software/hadoop-2.5.2 export SPARK_HOME=/home/hadoop/software/spark-1.2.0-bin-hadoop2.4 export SPARK_LIBARY_PATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib:$HADOOP_HOME/lib/native export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop export PATH=$PATH:$SCALA_HOME/bin:$SPARK_HOME/bin
2.2 让配置生效
source /etc/profilesource ~/.bashrc
2.3 启动spark
进入到SPARK_HOME/sbin下,运行： start-all.sh [root@centos local]# jps 7953 DataNode 8354 NodeManager 8248 ResourceManager 8104 SecondaryNameNode 10396 Jps 7836 NameNode 7613 Worker 7485 Master 有一个Master跟Worker进程 说明启动成功 可以通过http://localhost:8080/查看spark集群状况2.4 两种模式运行Spark例子程序
2.4.1 Spark-shell
此模式用于interactive programming，具体使用方法如下(先进入bin文件夹)./spark-shell
...
scala> val days = List("Sunday","Monday","Tuesday","Wednesday","Thursday","Friday","Saturday")
days: List[String] = List(Sunday, Monday, Tuesday, Wednesday, Thursday, Friday, Saturday)
scala> val daysRDD =sc.parallelize(days)
daysRDD: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[0] at parallelize at <console>:14
scala>daysRDD.count()
scala>res0:Long =7
2.4.2 运行脚本
运行Spark自带的example中的SparkPi，在 这里要注意，以下两种写法都有问题 ./bin/run-example org.apache.spark.examples.SparkPi spark://localhost:7077 ./bin/run-example org.apache.spark.examples.SparkPi local[3] local表示本地，[3]表示3个线程跑 这样就可以：
./bin/run-example org.apache.spark.examples.SparkPi 2 spark://192.168.0.120:7077 15/03/17 19:23:56 INFO scheduler.DAGScheduler: Completed ResultTask(0, 0) 15/03/17 19:23:56 INFO scheduler.DAGScheduler: Stage 0 (reduce at SparkPi.scala:35) finished in 0.416 s 15/03/17 19:23:56 INFO spark.SparkContext: Job finished: reduce at SparkPi.scala:35, took 0.501835986 s Pi is roughly 3.14086
3、全分布式集群安装
其实集群安装方式也很简单。3.1 添加环境变量
cd spark-1.3.0 cp ./conf/spark-env.sh.template ./conf/spark-env.sh vi ./conf/spark-env.sh 添加以下内容： export SCALA_HOME=/usr/lib/scala-2.10.3 export JAVA_HOME=/usr/java/jdk1.6.0_31 export SPARK_MASTER_IP=10.32.21.165 export SPARK_WORKER_INSTANCES=3 export SPARK_MASTER_PORT=8070 export SPARK_MASTER_WEBUI_PORT=8090 export SPARK_WORKER_PORT=8092 export SPARK_WORKER_MEMORY=5000mSPARK_MASTER_IP这个指的是master的IP地址；SPARK_MASTER_PORT这个是master端口；SPARK_MASTER_WEBUI_PORT这个是查看集群运行情况的WEB UI的端口号；SPARK_WORKER_PORT这是各个worker的端口号；SPARK_WORKER_MEMORY这个配置每个worker的运行内存。
- vi ./conf/ slaves 每行一个worker的主机名，内容如下：
- 设置 SPARK_HOME 环境变量，并将 SPARK_HOME/bin 加入 PATH：
3.2 启动spark集群
执行 ./sbin/start-all.sh 如果start-all方式无法正常启动相关的进程，可以在$SPARK_HOME/logs目录下查看相关的错误信息。其实，你还可以像Hadoop一样单独启动相关的进程，在master节点上运行下面的命令： 在Master上执行：./sbin/start-master.sh 在Worker上执行：./sbin/start-slave.sh 3 spark://10.32.21.165:8070 --webui-port 8090 然后检查进程是否启动，执行jps命令，可以看到Worker进程或者Master进程。然后可以在WEB UI上查看http://masterSpark:8090/可以看到所有的work 节点，以及他们的 CPU 个数和内存等信息。
3.3 Local模式运行demo
比如：./bin/run-example SparkLR 2 local 或者 ./bin/run-example SparkPi 2 local 这两个例子前者是计算线性回归，迭代计算；后者是计算圆周率3.4 shell 交互式模式
./bin/spark-shell --master spark://10.32.21.165:8070 ， 如果在conf/spark-env.sh中配置了MASTER(加上一句export MASTER=spark://${SPARK_MASTER_IP}:${SPARK_MASTER_PORT})，就可以直接用 ./bin/spark-shell启动了。 spark-shell作为应用程序，是将提交作业给spark集群，然后spark集群分配到具体的worker来处理，worker在处理作业的时候会读取本地文件。 这个shell是修改了的scala shell，打开一个这样的shell会在WEB UI中可以看到一个正在运行的Application 
4、一个 scala & spark 例子
这个例子首先用 shell 生成 150,000,000 个随机数，然后用 spark 统计每个随机数频率，以观察随机数是否均匀分布。
getNum(){
c=1
while [[ $c -le 5000000 ]]
do
echo $(($RANDOM/500))
((c++))
done
}
for i in `seq 30`
do
getNum > ${i}.txt &
done
wait
echo "--------------- DONE -------------------"
cat [0-9]*.txt > num.txt
val file = sc.textFile("hdfs://10.9.17.100:8020/tmp/lj/num.txt")
val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
//count.collect().sortBy(_._2)
//count.sortBy(-_._2).saveAsTextFile("hdfs://10.9.17.100:8020/tmp/lj/spark/numCount")
count.sortBy(_._2).map(x => x._1 + "\t" + x._2).saveAsTextFile("hdfs://10.9.17.100:8020/tmp/lj/spark/numCount")
hadoop fs -cat hdfs://10.9.17.100:8020/tmp/lj/spark/numCount/p*|sort -k2n 65 1228200 55 2285778 59 2285906 7 2286190 24 2286344 60 2286554 37 2286573 22 2286719 ... 13 2291903 43 2292001
5、题外话：拥抱 Scala
scala 如下几个特性，或许值得你去学习这门新语言:
- 它最终也会编译成Java VM代码，看起来象不象Java的壳程序？- 至少做为一个Java开发人员，你会松一口气
- 它可以使用Java包和类 - 又放心了一点儿，这样不用担心你写的包又得用另外一种语言重写一遍
- 更简洁的语法和更快的开发效率 - 比起java臃肿不堪的指令式语言，scala 函数式风格会让你眼前一亮
- spark 在 scala shell 基础之上提供交互式 shell 环境让 spark 调试方便，比起笨重的 Java MR，一念天堂一念地狱。
6、Refer：
[1] 在Hadoop2.2基础上安装Spark（伪分布式）
http://www.cnblogs.com/kxdblog/p/4345356.html
[2] Spark一：Spark伪分布式安装
http://bit1129.iteye.com/blog/2171761
[3] Spark-1.0.0 standalone分布式安装教程
http://www.cnblogs.com/lxf20061900/p/3819499.html
[4] namenode元数据管理进程端口号获取： http://10.9.17.100:50070/dfshealth.html#tab-overview http://blog.cloudera.com/blog/2009/08/hadoop-default-ports-quick-reference/ http://docs.hortonworks.com/HDPDocuments/HDP1/HDP-1.3.7/bk_using_Ambari_book/content/reference_chap2_2x.html