劉 萍

隨著2008年9月4日《自然》（Nature）雜志刊登了一個(gè)名為“Big Data”的專輯，大數(shù)據(jù)時(shí)代正式宣告到來.現(xiàn)如今，各行各業(yè)為了充分利用大數(shù)據(jù)，需構(gòu)建分布式大數(shù)據(jù)處理平臺(tái)，通過大數(shù)據(jù)分析結(jié)果，驅(qū)動(dòng)決策，給數(shù)據(jù)密集型企業(yè)帶來豐厚的利潤［1-6］.因此構(gòu)建一個(gè)高效的分布式大數(shù)據(jù)處理平臺(tái)是大數(shù)據(jù)研究的基礎(chǔ).下文將結(jié)合大數(shù)據(jù)領(lǐng)域最流行的Hadoop框架和Spark框架來構(gòu)建高效的大數(shù)據(jù)處理平臺(tái).

1 Hadoop與Spark簡介

目前大數(shù)據(jù)領(lǐng)域最流行的處理平臺(tái)是Hadoop，它是一個(gè)集分布式計(jì)算、存儲(chǔ)和管理于一體的生態(tài)系統(tǒng)，它為大規(guī)模并行數(shù)據(jù)處理算法提供運(yùn)行環(huán)境.Hadoop生態(tài)系統(tǒng)的核心是分布式文件系統(tǒng)（Hadoop Distributed File System，簡稱 HDFS）和MapReduce框架，HDFS為海量數(shù)據(jù)提供存儲(chǔ)，MapReduce框架為海量數(shù)據(jù)提供并行計(jì)算.Ha?doop工作原理為：將作業(yè)分解成更小的任務(wù)，將數(shù)據(jù)進(jìn)行分區(qū)，每一個(gè)任務(wù)實(shí)例處理一個(gè)不同的分區(qū)，任務(wù)實(shí)例并行執(zhí)行［7］.

Hadoop的MapReduce框架有一些局限性，它僅支持Map和Reduce兩種操作，處理效率低.Map中間結(jié)果寫入磁盤，Reduce寫入HDFS，多個(gè)MapReduce之間通過HDFS交換數(shù)據(jù)，任務(wù)調(diào)度和啟動(dòng)開銷大，無法充分利用內(nèi)存.并且Map端和Reduce端均需排序，不適合迭代計(jì)算（如機(jī)器學(xué)習(xí)、圖計(jì)算等）、交互式處理（如數(shù)據(jù)挖掘）和流式處理（如點(diǎn)擊日志分析）.

目前流行的Spark［8］是輕量的、基于內(nèi)存計(jì)算的開源集群計(jì)算框架.Spark采用了與MapRe?duce類似的編程模型，并且支持Java、Scala、Python等多種編程語言.在Spark中，數(shù)據(jù)被高度抽象且存儲(chǔ)在彈性分布式數(shù)據(jù)集（Resilient Distributed Dataset，簡稱RDD）中.RDD支持粗粒度寫操作，對于讀操作，RDD可以精確到每一條記錄，這使得RDD可用作分布式索引.在Spark中，所有的操作被稱為算子.Spark不僅實(shí)現(xiàn)了MapReduce的類Map函數(shù)算子和類Reduce函數(shù)算子，還提供了更多豐富的算子，如Filter、Join、Groupby等.

Spark是高效、靈活的框架，可同時(shí)進(jìn)行批處理、流式計(jì)算、交互式計(jì)算，比MapReduce快10～100倍.Spark RDD可以緩存到內(nèi)存中，每次RDD數(shù)據(jù)集的操作結(jié)果都可以保存至內(nèi)存，下一個(gè)操作可以直接從內(nèi)存中讀取數(shù)據(jù)，省去了MapRe?duce中大量的磁盤I/O操作，明顯提升了迭代算法中常見的機(jī)器學(xué)習(xí)和交互式數(shù)據(jù)挖掘算法的性能.Spark還提供豐富的API，代碼量比MapReduce少2～5倍，對編程人員來說易于使用.但Spark本身并沒有提供分布式文件系統(tǒng)，因此Spark的分析大多依賴于Hadoop的分布式文件系統(tǒng)HDFS；并且對于外部資源調(diào)度，Spark需要使用Hadoop生態(tài)系統(tǒng)中的Yarn進(jìn)行集群資源管理.將基于內(nèi)存計(jì)算的Spark與Hadoop相互結(jié)合可提高算法運(yùn)行效率和處理規(guī)模.下文將創(chuàng)建Hadoop集群和Spark集群，來完成大數(shù)據(jù)處理平臺(tái)的構(gòu)建.

2 Hadoop集群與Spark集群搭建

2.1 準(zhǔn)備工作

（1）準(zhǔn)備Linux操作系統(tǒng)機(jī)器若干.可選用Redhat、Ubuntu、CentOS等.如果只有裝有Windows的PC機(jī)可使用Virtual Box或者VMWare搭建Linux虛擬機(jī).下文將用CentOS 6.5搭建三節(jié)點(diǎn)的Hadoop集群，在VMWare上安裝三臺(tái)虛擬機(jī)，先裝完一臺(tái)，然后在該虛擬機(jī)的基礎(chǔ)上克隆出另外兩臺(tái).若是克隆出來的機(jī)器，需要進(jìn)行網(wǎng)絡(luò)配置，因?yàn)榭寺〉腖inux虛擬機(jī)網(wǎng)卡可能無法上網(wǎng).

（2）同步時(shí)間.ping www.baidu.com，若能ping通，運(yùn)行以下命令，同步時(shí)間：

配置時(shí)間自動(dòng)同步，每小時(shí)自動(dòng)去時(shí)間服務(wù)器上同步時(shí)間.如果ping不通，需要修改網(wǎng)絡(luò)相關(guān)配置或暫時(shí)使用下面這種方式：在三個(gè)節(jié)點(diǎn)上分別運(yùn)行date命令，查看時(shí)間是否同步，若還不同步，則在三臺(tái)虛擬機(jī)上運(yùn)行：date-s‘2017-12-12 09：30：00’，直接指定時(shí)間為某個(gè)固定值，比如此處是‘2017-12-12 09：30：00’.

（3）配置各虛擬機(jī)的主機(jī)名.使用命令vi/etc/sysconfig/network，分別設(shè)置主master結(jié)點(diǎn)，另外兩節(jié)點(diǎn)為slave01、slave02.然后修改主機(jī)名和IP的映射關(guān)系.使用ifconfig命令，查看自己的虛擬機(jī)的IP是多少，用自己的IP配置與主機(jī)名的對應(yīng)關(guān)系，并且三臺(tái)虛擬機(jī)都要配置.

（4）配置集群Hosts.使用命令vi/etc/hosts可以看到本文的master節(jié)點(diǎn)的配置，如圖1所示.然后通過命令：scp/etc/hosts slave01：/etc/和 scp/etc/hosts slave02：/etc/，讓三臺(tái)虛擬機(jī)的 hosts文件保持一致.

圖1 master節(jié)點(diǎn)的配置

（5）設(shè)置SSH免密碼登錄.設(shè)置的目的是：啟動(dòng)Hadoop集群方便，只需設(shè)置Master節(jié)點(diǎn)到各個(gè)Slave節(jié)點(diǎn)的免密碼登錄.在Master節(jié)點(diǎn)上，執(zhí)行命令ssh-keygen-t rsa結(jié)束后，生成兩個(gè)文件id_rsa（私鑰）和id_rsa.pub（公鑰），將公鑰用命令“ssh-copy-id{其他機(jī)器的hostname}”拷貝到要免密登錄的目標(biāo)機(jī)器上.本文使用以下命令完成免 密 登 錄 ：ssh-copy-id master；ssh-copy-idslave01；ssh-copy-id slave02.

（6）關(guān)閉服務(wù)器的防火墻.使用命令service iptables status查看防火墻狀態(tài).若防火墻沒有關(guān)閉，運(yùn)行命令service iptables stop關(guān)閉防火墻，接著運(yùn)行命令chkconfig iptables off使得防火墻開機(jī)不自動(dòng)啟動(dòng).最后，再查看一下防火墻狀態(tài)，應(yīng)該是：iptables：Firewall is not running.

（7）安裝JDK，配置環(huán)境變量等.在所有虛擬機(jī)上都要安裝，因?yàn)镠adoop是用Java開發(fā)的，Hadoop的編譯需要使用JDK.

使用命令mkdir/usr/java創(chuàng)建文件夾，然后將jdk安裝包上傳至該文件夾中，使用命令tar-xzvf jdk1.7.0_71-C/usr/java解壓縮jdk安裝包到/usr/java，然后配置環(huán)境變量.

2.2 Hadoop集群搭建

Hadoop安裝方式主要包括以下三種：

（1）自動(dòng)安裝部署.開源的主要有Apache Ambari，它支持Apache Hadoop集群的管理和監(jiān)控.以及小米的Minos，Minos使用Python語言開發(fā)，用于Hadoop集群的部署和監(jiān)控.開發(fā)用來管理小米公司的Hadoop、HBase、ZooKeeper集群等.而不開源的有：Cloudera Manager、微軟的Autopi?lot、谷歌的Borg、騰訊公司的Torca等.

（2）使用RPM包安裝部署.該方式Apache Hadoop原始版本不提供，而基于原始版實(shí)現(xiàn)的發(fā)行版HDP和CDH提供.HDP是Hortonworks公司的發(fā)行版；CDH是Cloudera公司的Hadoop發(fā)行版，在生產(chǎn)環(huán)境使用商用公司的開源發(fā)行版（HDP或CDH）比較方便，因?yàn)樗鼈儗adoop生態(tài)系統(tǒng)中所有軟件打包在了一起，用戶不會(huì)面臨版本選擇問題，并且擁有完善的文檔，有些地方還進(jìn)行了獨(dú)特的優(yōu)化.

（3）使用JAR包安裝部署，各版本均提供.使用此方式安裝部署比較靈活，對安裝部署者要求也比較高，需要很多的配置，適合大數(shù)據(jù)研究階段.下文采用Apache Hadoop 2.6.1 JAR包安裝部署，如果采用HDP和CDH版本，可仿照操作，安裝部署方式一模一樣.

因root用戶權(quán)限過大，誤操作容易造成很大損失，Hadoop某些功能不允許在root用戶下操作.因此使用非root用戶安裝Hadoop.下面將詳細(xì)介紹三節(jié)點(diǎn)Hadoop集群如何搭建［9］.

（1）將Hadoop安裝包上傳至虛擬機(jī)用戶根目錄.

（2）進(jìn)入根目錄，使用命令tar-xzvf ha?doop-2.6.1.tar.gz解壓縮Hadoop安裝包.

（3）配置環(huán)境變量，使用命令vi～/.bash_pro?file，然后在該文件中增加export HADOOP_HOME=/home/zkpk/hadoop-2.6.1，export PATH=$HADOOP_HOME/bin： $HADOOP_HOME/sbin：$PATH，使用命令source～/.bash_profile使配置的環(huán)境變量生效.運(yùn)行Hadoop version命令，顯示版本是：Hadoop 2.6.1，證明變量已生效.

（4）修改Hadoop配置文件.配置文件存放在/home/zkpk/hadoop-2.6.1/etc/hadoop路徑下，需配置此路徑下的六個(gè)文件，分別是hadoop-env.sh、core-site.xml、 hdfs-site.xml、 mapred-site.xml、yarn-site.xml和slaves.下面對各配置文件的具體配置作詳細(xì)介紹.

配置文件hadoop-env.sh.主要是對JA?VA_HOME變量進(jìn)行設(shè)置，具體設(shè)置如下：export JAVA_HOME=/usr/java/jdk1.7.0_71/.

配置文件core-site.xml，下面的master指的

是主節(jié)點(diǎn)的主機(jī)名.

配置文件hdfs-site.xml，因當(dāng)前有兩個(gè)slave節(jié)點(diǎn)，所以，副本數(shù)配置成了2.配置文件mapred-site.xml，具體如下所示：

配置文件yarn-site.xml，具體如下所示：

配置slaves，slaves文件里面記錄的是集群里所有DataNode的主機(jī)名.使用vi slaves命令，具體配置內(nèi)容為：slave01 slave02.

（5）將master上已經(jīng)配置完的Hadoop文件夾拷貝到slave01、slave02的用戶根目錄上.拷貝時(shí)，本文的master、slave01、slave02都有用戶，叫zkpk，那么，從master拷貝到slave01和slave02時(shí)，使用命令：scp-r～/hadoop-2.6.1/slave01：～和scp-r～/hadoop-2.6.1/slave02：～. 若 master 和slave01、slave02的用戶名不同，則使用命令：scp-r～/hadoop-2.6.1/zkpk@slave01：～和scp-r～/hadoop-2.6.1/zkpk@slave02：～指定拷貝到zkpk用戶，此zkpk是登錄slave01、slave02的用戶名.

（6）使 用 命 令 ：scp ～/.bash_profile zk?pk@slave01： ～ 和 scp ～/.bash_profile zk?pk@slave02：～將master上的～/.bash_profile文件拷貝到其他兩個(gè)虛擬機(jī)上.使用命令source～/.bash_profile分別在slave01、slave02上使得環(huán)境變量生效.

（7）分別在master、slave01、slave02上執(zhí)行命令mkdir-p/home/zkpk/hadoopdata創(chuàng)建目錄.

（8）格式化namenode，在master節(jié)點(diǎn)上運(yùn)行hdfs namenode–format.

（9）啟動(dòng) Hadoop集群，在 master上運(yùn)行start-all.sh.

驗(yàn)證Hadoop集群是否搭建成功，可通過以下三種方式：

master上執(zhí)行：jps命令，會(huì)有進(jìn)程：nameno?de、secondarynamenode 和 resourcemanager.slave01，02上執(zhí)行：jps命令，有進(jìn)程：datanode和nodemanager，表示Hadoop集群啟動(dòng)成功.

可用瀏覽器訪問master：18088和master：50070檢查Yarn和HDFS是否正常，若出現(xiàn)正常界面.說明Hadoop集群啟動(dòng)成功.

執(zhí)行安裝包里的示例程序：

cd hadoop-2.6.1/share/hadoop/mapreduce/hadoop jar hadoop-ma?preduce-examples-2.6.1.jar pi 10 10，最后輸出：Estimated value of Pi is 3.20000000000000000000

如果以上的3個(gè)驗(yàn)證步驟都沒有問題，說明集群正常啟動(dòng).

2.3 Spark集群搭建

（1）上傳Spark-1.6.1-bin-hadoop2.6.tgz后解壓安裝包到Linux上，使用命令tar-zxvf spark-1.6.1-bin-hadoop2.6.tgz-C/home/zkpk解壓安裝包到指定位置.

（2）使用命令進(jìn)入Spark安裝目錄進(jìn)行配置，用命令cd conf/進(jìn)入conf目錄，使用命令：mv spark-env.sh.template spark-env.sh進(jìn)行重命名，然后修改文件，用命令：vi spark-env.sh打開配置文件，在該配置文件中添加如下配置，其中master是主節(jié)點(diǎn)的主機(jī)名.

然后保存退出.接下來重命名并修改slaves.template文件，操作命令如下：

在該文件中添加子節(jié)點(diǎn)worker節(jié)點(diǎn)所在的位置，本文兩個(gè)從節(jié)點(diǎn)的主機(jī)名分別是slave01、slave02，具體配置如下：

衛(wèi)管專業(yè)是建立在專科教育與成人衛(wèi)生管理教育的基礎(chǔ)之上發(fā)展起來的新興的學(xué)科，具有蓬勃的生命力。衛(wèi)管的本科教育在整個(gè)江西省衛(wèi)生管理教育體系中都是居于主體地位和重要地位的。江西省各醫(yī)藥院?？膳c衛(wèi)生行政單位、醫(yī)藥相關(guān)單位、醫(yī)藥企業(yè)等雙向合作乃至多平臺(tái)合作建設(shè)“實(shí)習(xí)基地”。同時(shí)衛(wèi)管專業(yè)畢業(yè)生也應(yīng)充分發(fā)揮主觀能動(dòng)性，樹立良好就業(yè)心態(tài)，積極投身衛(wèi)生事業(yè)，為國家新醫(yī)改做出應(yīng)有的貢獻(xiàn)。

slave01

slave02

保存退出.最后將配置好的Spark拷貝到其他節(jié)點(diǎn)上，命令如下所示：

scp-r spark-1.6.1-bin-hadoop2.6/zkpk@slave01：～

scp-r spark-1.6.1-bin-hadoop2.6/zkpk@slave02：～

（3）啟動(dòng)Spark集群.

進(jìn)入/home/zkpk/spark-1.6.1-bin-hadoop2.6/sbin目錄，運(yùn)行：./start-all.sh

分別在三臺(tái)節(jié)點(diǎn)運(yùn)行jps，分別有進(jìn)程master，worker，worker.

圖2 Spark運(yùn)行界面

3 驗(yàn)證Hadoop集群和Spark集群

Word Count是大數(shù)據(jù)編程的入門程序，實(shí)現(xiàn)對輸入文件中每個(gè)單詞出現(xiàn)次數(shù)的統(tǒng)計(jì)，可應(yīng)用于海量文本的詞頻檢索.實(shí)現(xiàn)單詞詞頻統(tǒng)計(jì)的Word Count算法［10］是一種典型分組聚集算法.該算法首先將文本分詞，形成鍵值對的中間值，鍵為單詞本身，值為1.然后對數(shù)據(jù)進(jìn)行聚集，將具有相同鍵的值進(jìn)行加和，輸出結(jié)果.本文使用Word Count來驗(yàn)證搭建的Hadoop集群和Spark集群是否成功.該算法的數(shù)據(jù)集節(jié)選于網(wǎng)絡(luò)小說，Spark需要將HDFS上的數(shù)據(jù)初始化為Spark RDD，然后對RDD中字符串分詞，生成新的RDD，將新生成的RDD轉(zhuǎn)化為Key Value RDD進(jìn)行并行計(jì)算，將新生成的Key Value RDD進(jìn)行規(guī)約，然后得出結(jié)果.采用Scala語言在Eclipse上實(shí)現(xiàn)的具體代碼如下：

將該代碼打包，在集群上運(yùn)行.運(yùn)行過程如下：

①上傳本地文件到HDFS目錄下，在HDFS上創(chuàng)建輸入文件夾.$hadoop fs-mkdir-p word?count/input.

②上傳本地文件到集群的input目錄下，$ha?doop fs-put～/file*wordcount/input，查看集群文件目錄$hadoop fs-ls wordcount/input.

③Word Count程序打包成后綴名為jar的壓縮文件WordCount.jar，進(jìn)入到壓縮文件所在文件夾，這里以一個(gè)file輸入文件和一個(gè)output輸出文件夾為例說明.

Spark程序運(yùn)行如下命令執(zhí)行.

$spark-submit--master yanr-client--class WordCount～/spark/WordCount.jar，hdfs：//master：9000/wordcount/input/file，hdfs：//master：9000/wordcount/spark/output

使用如下命令查看運(yùn)行結(jié)果，$hadoop fs-ls wordcount/spark/output.部分結(jié)果如圖3所示.

圖3 部分運(yùn)行結(jié)果

4 總結(jié)

Hadoop的MapReduce與Spark都是分布式計(jì)算框架，Spark框架在批處理、流式計(jì)算、交互式計(jì)算等方面相比于Hadoop MapReduce具有優(yōu)越性，但Spark框架本身并沒有提供分布式文件系統(tǒng)，因此Spark的分析依賴于Hadoop中的分布式文件系統(tǒng)HDFS，并且Spark還需要Hadoop生態(tài)系統(tǒng)中的Yarn進(jìn)行資源管理.所以將Hadoop和Spark相結(jié)合可以構(gòu)建高效的大數(shù)據(jù)處理平臺(tái).本文搭建了Hadoop集群和Spark集群，完成了大數(shù)據(jù)處理平臺(tái)的構(gòu)建.最后通過在集群上運(yùn)行實(shí)現(xiàn)單詞詞頻統(tǒng)計(jì)的Word Count程序，驗(yàn)證了大數(shù)據(jù)處理平臺(tái)搭建的成功.目前高校都在陸續(xù)開設(shè)大數(shù)據(jù)專業(yè)，本文對初建大數(shù)據(jù)分析專業(yè)具有一定的參考意義，未來將研究大數(shù)據(jù)分析算法，并在搭建的大數(shù)據(jù)處理平臺(tái)上應(yīng)用相關(guān)算法解決實(shí)際問題.

：

［1］何清，李寧，羅文娟.大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述［J］.模式識(shí)別與人工智能，2014，27（4）：327-336.

［2］梁吉業(yè).大數(shù)據(jù)挖掘面臨的挑戰(zhàn)與思考［J］.計(jì)算機(jī)科學(xué)，2016，43（7）：1-2.

［3］米允龍，米春橋，劉文奇.海量數(shù)據(jù)挖掘過程相關(guān)技術(shù)研究進(jìn)展［J］.計(jì)算機(jī)科學(xué)與探索，2015，9（6）：641-659.

［4］黃宜華.大數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)研究進(jìn)展［J］.大數(shù)據(jù)，2015，1（1）：28-47.

［5］Landset S，Khoshgoftaar T M，Richter A N.A sur?vey of open source tools for machine learning with big data in the Hadoop ecosystem［J］.Journal of Big Data，2015，2（1）：24.

［6］Shan S.Big data classification：problems and chal?lenges in network intrusion prediction with machine learning［J］.ACM Sigmetrics Performance Evaluation Review，2014，41（4）：70-73.

［7］宋杰，孫宗哲，毛克明，等.MapReduce大數(shù)據(jù)處理平臺(tái)與算法研究進(jìn)展［J］.軟件學(xué)報(bào)，2017，28（3）：514-543.

［8］Zaharia M，Chowdhury M，F(xiàn)ranklin MJ，etal.Spark：Cluster computing with working sets［C］//Usenix Confer?ence on Hot Topics in Cloud Computing.US ENIX Associa?tion，2010.

［9］安建瑞.基于MapReduce的用戶移動(dòng)軌跡序列模式挖掘算法研究［D］.山東：山東理工大學(xué)，2016.

［10］Issa JA.Performance evaluation and estimation model using regression method for hadoop Word Count［J］.IEEE Access，2015，3：2784-2793.