目录
Spark的安装与部署
Spark概述
Spark特点
Spark与MapReduce对比
Spark体系结构
Spark部署
伪分布式部署
完全分布式
Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。目前，Spark生态系统已经发展成为一个包含多个子项目的集合，其中包含SparkSQL、Spark Streaming、GraphX、MLlib等子项目，Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。Spark得到了众多大数据公司的支持，这些公司包括Hortonworks、IBM、Intel、Cloudera、MapR、Pivotal、百度、阿里、腾讯、京东、携程、优酷土豆。当前百度的Spark已应用于凤巢、大搜索、直达号、百度大数据等业务；阿里利用GraphX构建了大规模的图计算和图挖掘系统，实现了很多生产系统的推荐算法；腾讯Spark集群达到8000台的规模，是当前已知的世界上最大的Spark集群。
（1）运算速度快
与Hadoop的MapReduce相比，Spark基于内存的运算速度要快100倍以上，即使，Spark基于硬盘的运算也要快10倍。Spark实现了高效的DAG执行引擎，从而可以通过内存来高效处理数据流。
（2）易用
Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。
（3）通用
Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。
另外Spark还可以很好的融入Hadoop的体系结构中可以直接操作HDFS，并提供Hive on Spark、Pig on Spark的框架集成Hadoop。
（4）兼容性
Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。
MapReduce的核心是Shuffle（洗牌）。在整个Shuffle的过程中，至少会产生6次的I/O。如下图所示。
中间结果输出：基于MapReduce的计算引擎通常会将中间结果输出到磁盘上，进行存储和容错。另外，当一些查询（如：Hive）翻译到MapReduce任务时，往往会产生多个Stage（阶段），而这些串联的Stage又依赖于底层文件系统（如HDFS）来存储每一个Stage的输出结果，而I/O的效率往往较低，从而影响了MapReduce的运行速度。
Spark的最大特点：基于内存。Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。
所谓伪分布式，即集群只有一台节点，master和worker都是同一台节点。
（1）软件准备
虚拟机配置：
操作系统：CentOS-7-x86_64-DVD-1511
配置好java环境、主机名和IP地址，具体步骤可参考Hadoop本地模式、伪分布式以及集群的安装与部署。
（2）安装spark
使用的spark版本为：spark-2.1.1-bin-hadoop2.7
上传spark的tar.gz包到虚拟机，然后解压。
接下来配置主节点：
复制一份conf路径下的spark-env.sh.template，并且命名为spark-env.sh:
cp spark-env.sh.template spark-env.sh修改配置文件conf/spark-env.sh：
export JAVA_HOME=yourjdk/bin export SPARK_MASTER_HOST=spark111 export SPARK_MASTER_PORT=7077配置从节点：
复制conf路径下的slaves.template并且重命名为slaves：
cp slaves.template slaves修改配置文件slaves：删除默认的localhost，加入主机名。
测试一下：
[root@spark111 sbin]# ./start-all.shjps显示既存在worker进程，又存在worker进程。访问spark111的IP地址，默认端口8080：
出现上述界面说明伪分布式模式部署成功。
相比于伪分布模式，完全分布式即急群中有多台服务器，master和worker分布在不同节点上。
（1）服务器准备：
将伪分布式中的spark服务关闭：
[root@spark111 sbin]# ./stop-all.sh然后关闭虚拟机，拷贝两份，spark112、spark113。
（2）设置免密登陆
生成密钥（以一台机器作为示范）：
将自己的密钥发送给其他服务器（每台机器上都要重复）：
（3）配置主从节点
修改conf路径下的slaves文件（三台机器上都修改）：
测试一下：
可以看到启动了一个master两个worker，查看一下进程：
spark111：
spark112：
spark113：
访问ip：
至此，Spark集群就搭建成功。
