diff --git a/translated/tech/20160901 A Raspberry Pi Hadoop Cluster with Apache Spark on YARN - Big Data 101.md b/translated/tech/20160901 A Raspberry Pi Hadoop Cluster with Apache Spark on YARN - Big Data 101.md index 7041cbebcd..e125a15b2f 100644 --- a/translated/tech/20160901 A Raspberry Pi Hadoop Cluster with Apache Spark on YARN - Big Data 101.md +++ b/translated/tech/20160901 A Raspberry Pi Hadoop Cluster with Apache Spark on YARN - Big Data 101.md @@ -1,109 +1,214 @@ - -在树莓派上通过Apache Spark on YARN搭建Hadoop集群 +大数据初步：在树莓派上通过 Apache Spark on YARN 搭建 Hadoop 集群 === -有些时候我们想从DQYDJ网站的数据中分析点有用的东西出来，在过去，我们要用R语言提取固定宽度的数据，然后通过数学建模分析美国的最低收入补贴，当然也包括其他优秀的方法。 -今天我将向你展示对大数据的一点探索，不过有点变化，使用的是全世界最流行的微型电脑————树莓派，如果手头没有，那就看下一篇吧（可能是已经处理好的数据）对于其他用户，请继续阅读吧，今天我们要建立一个树莓派 Hadoop集群！ +有些时候我们想从 DQYDJ 网站的数据中分析点有用的东西出来，在过去，我们要[用 R 语言提取固定宽度的数据](https://dqydj.com/how-to-import-fixed-width-data-into-a-spreadsheet-via-r-playing-with-ipums-cps-data/)，然后通过数学建模来分析[美国的最低收入补贴](http://dqydj.com/negative-income-tax-cost-calculator-united-states/)，当然也包括其他优秀的方法。 +今天我将向你展示对大数据的一点探索，不过有点变化，使用的是全世界最流行的微型电脑————[树莓派](https://www.raspberrypi.org/)，如果手头没有，那就看下一篇吧（可能是已经处理好的数据），对于其他用户，请继续阅读吧，今天我们要建立一个树莓派 Hadoop集群！ -为什么要建立一个Raspberry Pi的Hadoop集群？ +### I. 为什么要建立一个树莓派的 Hadoop 集群？ ![](https://dqydj.com/wp-content/uploads/2016/08/IMG_9132-245x300.png) ->由三个树莓派节点组成的Hadoop集群 -对DQYDJ这句谚语我们做了大量的数据处理工作，但这些还不能称得上是大数据。 +*由三个树莓派节点组成的 Hadoop 集群* + +我们对 DQYDJ 的数据做了[大量的处理工作](https://dqydj.com/finance-calculators-investment-calculators-and-visualizations/)，但这些还不能称得上是大数据。 和许许多多有争议的话题一样，数据的大小之别被解释成这样一个笑话： -如果能被RAM所存储，那么它就不是大数据。 ————佚名 +> 如果能被内存所存储，那么它就不是大数据。 ————佚名 似乎这儿有两种解决问题的方法： -1.我们可以找到一个足够大的数据集合，任何家用电脑的内存都存不下。 -2.我们可以 +1. 我们可以找到一个足够大的数据集合，任何家用电脑的物理或虚拟内存都存不下。 +2. 我们可以买一些不用特别定制，我们现有数据就能淹没它的电脑： -上手树莓派2B +—— 上手树莓派 2B -这个由设计师和工程师制作出来的精致小玩意儿拥有1GB的RAM，扩展SD卡充当它的硬盘，此外，每一台的价格都低于50刀，这意味着你可以花不到250刀的价格搭建一个集群。 +这个由设计师和工程师制作出来的精致小玩意儿拥有 1GB 的内存， MicroSD 卡充当它的硬盘，此外，每一台的价格都低于 50 美元，这意味着你可以花不到 250 美元的价格搭建一个 Hadoop 集群。 或许天下没有比这更便宜的入场券来带你进入大数据的大门。 -### 制作一个树莓派集群 +### II. 制作一个树莓派集群 我最喜欢制作的原材料。 这里我将给出我原来为了制作树莓派集群购买原材料的链接，如果以后要在亚马逊购买的话你可先这些链接收藏起来，也是对本站的一点支持。(谢谢) -- 树莓派2B x3 -- 集群原理图 -- 4层亚克力支架 -- 6口USB转接器 -- 内存卡 -- MicroUSB数据线 -- 短网线 -- 双面胶 +- [树莓派 2B 3 块](http://amzn.to/2bEFTVh) +- [4 层亚克力支架](http://amzn.to/2bTo1br) +- [6 口 USB 转接器](http://amzn.to/2bEGO8g)，我选了白色 RAVPower 50W 10A 6 口 USB 转接器 +- [MicroSD 卡](http://amzn.to/2cguV9I)，这个五件套 32GB 卡非常棒 +- [短的 MicroUSB 数据线](http://amzn.to/2bX2mwm)，用于给树莓派供电 +- [短网线](http://amzn.to/2bDACQJ) +- 双面胶，我有一些 3M 的，很好用 -开始制作 +#### 开始制作 -1.首先，装好三个树莓派，每一个用螺丝钉固定在亚克力面板上。（看下图） -2.接下来，安装以太网交换机，用双面胶贴在其中一个在亚克力面板上。 -3.用双面胶贴将USB转接器贴在一个在亚克力面板使之成为最顶层。 -4.接着就是一层一层都拼好——这里我选择将树莓派放在交换机和USB转接器的底下（可以看看完整安装好的两张截图） +1. 首先，装好三个树莓派，每一个用螺丝钉固定在亚克力面板上。（看下图） +2. 接下来，安装以太网交换机，用双面胶贴在其中一个在亚克力面板上。 +3. 用双面胶贴将 USB 转接器贴在一个在亚克力面板使之成为最顶层。 +4. 接着就是一层一层都拼好——这里我选择将树莓派放在交换机和USB转接器的底下（可以看看完整安装好的两张截图） -如果你需要电线的话我想出了一个好方法-如果你和我一样购买力USB线和网线，我可以将它们卷起来放在亚克力板子的每一层 +想办法把线路放在需要的地方——如果你和我一样购买力 USB 线和网线，我可以将它们卷起来放在亚克力板子的每一层 -现在不要急着上电，需要将系统烧录到SD卡上才能继续。 +现在不要急着上电，需要将系统烧录到 SD 卡上才能继续。 -烧录 +#### 烧录 Raspbian -按照这个教程将Raspbian烧录到三张SD卡上，我使用的是Win7下的[Win32DiskImager][2]。 +按照[这个教程](https://www.raspberrypi.org/downloads/raspbian/)将 Raspbian 烧录到三张 SD 卡上，我使用的是 Win7 下的 [Win32DiskImager][2]。 -将其中一张烧录好的SD卡插在你想作为主节点的树莓派上，连接USB线并启动它。 +将其中一张烧录好的 SD 卡插在你想作为主节点的树莓派上，连接 USB 线并启动它。 -启动主节点 +#### 启动主节点 -这里有一篇非常棒的教程，讲如何安装Hadoop 2.7.1，此处就不再熬述。 +这里有[一篇非常棒的“Because We Can Geek”的教程](http://www.becausewecangeek.com/building-a-raspberry-pi-hadoop-cluster-part-1/)，讲如何安装 Hadoop 2.7.1，此处就不再熬述。 -在启动过程中有一些要注意的地方，我将和你一起设置直到最后一步，记住我现在使用的IP段为192.168.1.50 – 192.168.1.52，主节点是.50，从节点是.51和.52，你的网络可能会有所不同，如果你想设置静态IP的话可以在评论区看看或讨论。 +在启动过程中有一些要注意的地方，我将带着你一起设置直到最后一步，记住我现在使用的 IP 段为 192.168.1.50 – 192.168.1.52，主节点是 .50，从节点是 .51 和 .52，你的网络可能会有所不同，如果你想设置静态 IP 的话可以在评论区看看或讨论。 -一旦你完成了这些步骤，接下来要做的就是启用交换文件，Spark on YARN将分割出一块很接近内存空间的交换文件，当你内存快用完时便会使用这个交换分区。 +一旦你完成了这些步骤，接下来要做的就是启用交换文件，Spark on YARN 将分割出一块非常接近内存大小的交换文件，当你内存快用完时便会使用这个交换分区。 -（如果你以前没有做过有关交换分区的操作的话，可以看看这篇教程，记住交换分区不要太多，因为内存卡的性能扛不住） +（如果你以前没有做过有关交换分区的操作的话，可以看看[这篇教程](https://www.digitalocean.com/community/tutorials/how-to-add-swap-on-ubuntu-14-04)，让 `swappiness` 保持较低水准，因为 MicroSD 卡的性能扛不住） -现在我准备介绍有关我和其他Geek关于启动设置一些微妙的区别 +现在我准备介绍有关我的和“Because We Can Geek”关于启动设置一些微妙的区别。 -对于初学者，确保你给你的树莓派起了一个名字——在/etc/hostname设置，我的主节点设置为‘RaspberryPiHadoopMaster’ ，从节点设置为 ‘RaspberryPiHadoopSlave#’ +对于初学者，确保你给你的树莓派起了一个正式的名字——在 `/etc/hostname` 设置，我的主节点设置为 ‘RaspberryPiHadoopMaster’ ，从节点设置为 ‘RaspberryPiHadoopSlave#’ -主节点的/etc/hosts配置如下： - -如果你想让 Hadoop, YARN, and Spark运行正常的话，你也需要修改这些配置文件。 - -hdfs-site.xml: +主节点的 `/etc/hosts` 配置如下： ``` -yarn-site.xml (Note the changes in memory!): +#/etc/hosts +127.0.0.1 localhost +::1 localhost ip6-localhost ip6-loopback +ff02::1 ip6-allnodes +ff02::2 ip6-allrouters -slaves: - -core-site.xml: +192.168.1.50 RaspberryPiHadoopMaster +192.168.1.51 RaspberryPiHadoopSlave1 +192.168.1.52 RaspberryPiHadoopSlave2 ``` -设置从节点： +如果你想让 Hadoop、YARN 和 Spark 运行正常的话，你也需要修改这些配置文件（不妨现在就编辑）。 -接下来按照Because We Can Geek上的教程，你需要对上面的文件作出小小的改动。主节点没有改变其中的yarn-site.xml，所以从节点中不必含有这个文件。 +这是 `hdfs-site.xml`： -III.在我们的树莓派集群中测试YARN! +``` + + + + + fs.default.name + hdfs://RaspberryPiHadoopMaster:54310 + + + hadoop.tmp.dir + /hdfs/tmp + + +``` + +这是 `yarn-site.xml` （注意内存方面的改变）： + +``` + + + + + + yarn.nodemanager.aux-services + mapreduce_shuffle + + + yarn.nodemanager.resource.cpu-vcores + 4 + + + yarn.nodemanager.resource.memory-mb + 1024 + + + yarn.scheduler.minimum-allocation-mb + 128 + + + yarn.scheduler.maximum-allocation-mb + 1024 + + + yarn.scheduler.minimum-allocation-vcores + 1 + + + yarn.scheduler.maximum-allocation-vcores + 4 + + + yarn.nodemanager.vmem-check-enabled + false + Whether virtual memory limits will be enforced for containers + + + yarn.nodemanager.vmem-pmem-ratio + 4 + Ratio between virtual memory to physical memory when setting memory limits for containers + + +yarn.resourcemanager.resource-tracker.address +RaspberryPiHadoopMaster:8025 + + +yarn.resourcemanager.scheduler.address +RaspberryPiHadoopMaster:8030 + + +yarn.resourcemanager.address +RaspberryPiHadoopMaster:8040 + + +``` + +`slaves`： + +``` +RaspberryPiHadoopMaster +RaspberryPiHadoopSlave1 +RaspberryPiHadoopSlave2 +``` + +`core-site.xml`： + +``` + + + + + fs.default.name + hdfs://RaspberryPiHadoopMaster:54310 + + + hadoop.tmp.dir + /hdfs/tmp + + +``` + +#### 设置两个从节点： + +接下来[按照 “Because We Can Geek”上的教程](http://www.becausewecangeek.com/building-a-raspberry-pi-hadoop-cluster-part-2/)，你需要对上面的文件作出小小的改动。 在 `yarn-site.xml` 中主节点没有改变，所以从节点中不必含有这个 `slaves` 文件。 + +### III. 在我们的树莓派集群中测试 YARN 如果所有设备都正常工作，在主节点上你应该执行如下命令： -> start-dfs.sh +``` +start-dfs.sh +start-yarn.sh +``` -> start-yarn.sh +当设备启动后，以 Hadoop 用户执行，如果你遵循教程，用户应该是 `hduser`。 -当设备启动后，遵循教程以Hadoop用户方式执行。 - -接下来执行`hdfs dfsadmin -report`查看三个节点是否都正确启动，确认你看到一行粗体文字‘Live datanodes (3)’： +接下来执行 `hdfs dfsadmin -report` 查看三个节点是否都正确启动，确认你看到一行粗体文字 ‘Live datanodes (3)’： +``` Configured Capacity: 93855559680 (87.41 GB) Raspberry Pi Hadoop Cluster picture Straight On Present Capacity: 65321992192 (60.84 GB) @@ -119,78 +224,149 @@ Live datanodes (3): Name: 192.168.1.51:50010 (RaspberryPiHadoopSlave1) Hostname: RaspberryPiHadoopSlave1 Decommission Status : Normal +``` -你现在可以做一些简单的诸如‘Hello, World!’的测试，或者直接进行下一步。 +你现在可以做一些简单的诸如 ‘Hello, World!’ 的测试，或者直接进行下一步。 -IV.安装SPARK ON YARN +### IV. 安装 SPARK ON YARN -YARN是另一种非常好用的资源调度器，已经集成在Hadoop安装包中。 +YARN 的意思是另一种非常好用的资源调度器（Yet Another Resource Negotiator），已经作为一个易用的资源管理器集成在 Hadoop 基础安装包中。 -Apache Spark 是 Hadoop 生态圈中的一款软件包，它是一个可执行的引擎。就像著名的预装软件MapReduce一样。在一般情况下，Spark得益于存储在基于磁盘的MapReduce。运行负载堪比10-100倍的MapReduce-安装完成后你可以试试Spark 和 MapReduce的有什么不同。 +[Apache Spark](https://spark.apache.org/) 是 Hadoop 生态圈中的另一款软件包，它是一个毁誉参半的执行引擎和[捆绑的 MapReduce](https://hadoop.apache.org/docs/r1.2.1/mapred_tutorial.html)。在一般情况下，相对于基于磁盘存储的 MapReduce，Spark 更适合基于内存的存储，某些运行任务能够得到 10-100 倍提升——安装完成集群后你可以试试 Spark 和 MapReduce 有什么不同。 -我个人对Spark还是留下非常深刻的印象，因为它提供了两种数据工程师和科学家都比较擅长的语言– Python 和 R。 +我个人对 Spark 还是留下非常深刻的印象，因为它提供了两种数据工程师和科学家都比较擅长的语言—— Python 和 R。 -安装Apache Spark非常简单，在你家目录下，wget这个地址，然后‘tar -xzf ’，最后把解压出来的文件移动至 /opt 并清除刚才下载的文件，以上这些就是安装步骤。 +安装 Apache Spark 非常简单，在你家目录下，`wget "为 Hadoop 2.7 构建的 Apache Spark”`（[来自这个页面](https://spark.apache.org/downloads.html)），然后运行 `tar -xzf “tgz 文件”`，最后把解压出来的文件移动至 `/opt`，并清除刚才下载的文件，以上这些就是安装步骤。 -我又创建了只有两行的文件spark-env.sh，其中包含Spark的配置文件目录。 +我又创建了只有两行的文件 `spark-env.sh`，其中包含 Spark 的配置文件目录。 +``` SPARK_MASTER_IP=192.168.1.50 - SPARK_WORKER_MEMORY=512m +``` -(在YARN跑起来之前我不确定这些是否有必要。) +(在 YARN 跑起来之前我不确定这些是否有必要。) -V. 你好，世界! 为Apache Spark发现一个有趣的数据集! +### V. 你好，世界! 为 Apache Spark 寻找有趣的数据集! -在Hadoop进行对‘Hello, World!’的单词计数。 +在 Hadoop 世界里面的 ‘Hello, World!’ 就是做单词计数。 -我决定改进一下`hello world`的例子，这个例子在平常也用不上，也许统计一些关于我自己的大数据会更有用… +我决定让我们的作品做一些内省式……为什么不统计本站最常用的单词呢？也许统计一些关于本站的大数据会更有用。 -如果你有一个正在运行的`WordPress`博客，可以通过简单的两步来导出和 +如果你有一个正在运行的 WordPress 博客，可以通过简单的两步来导出和净化。 -我使用`Export to Text‘导出文章的内容到纯文本文件中，我使用一些压缩库编写了一个`Python`来压缩了`HTML文件`，现在你可以将一个更小的文件复制到pi搭建的HDFS集群。 +1. 我使用 [Export to Text](https://wordpress.org/support/plugin/export-to-text) 插件导出文章的内容到纯文本文件中 +2. 我使用一些[压缩库](https://pypi.python.org/pypi/bleach)编写了一个 Python 脚本来剔除 HTML -如果你没有进行上面的操作，还有一种方法将文件转移到pi上 +``` +import bleach ->hdfs dfs -copyFromLocal dqydj_stripped.txt /dqydj_stripped.txt +# Change this next line to your 'import' filename, whatever you would like to strip +# HTML tags from. +ascii_string = open('dqydj_with_tags.txt', 'r').read() -现在准备进行最后一步 - 向Apache Spark写入相同的代码。 -### VI: 点燃 Apache Spark +new_string = bleach.clean(ascii_string, tags=[], attributes={}, styles=[], strip=True) +new_string = new_string.encode('utf-8').strip() -我们的单词计数程序基于Cloudera进行修改，你可以在这里找到。我们要修改我们的自己的单词计数程序。 +# Change this next line to your 'export' filename +f = open('dqydj_stripped.txt', 'w') +f.write(new_string) +f.close() +``` -在主节点上安装‘stop-words’这个`python`第三方包，有趣的是我在DQYDJ上使用了23,295次the这个单词，你可能不想看到这些语法单词占据着单词计数的前列，另外，用下列代码替换所有有关dqydj的参考文件，注意你自己的数据库路径。 +现在我们有了一个更小的、适合复制到树莓派所搭建的 HDFS 集群上的文件。 -保存好wordCount.py确保上面的路径都是正确无误的。 +如果你不能树莓派主节点上完成上面的操作，找个办法将它传输上去（scp、 rsync 等等），然后用下列命令行复制到 HDFS 上。 -现在，通过运行在YARN上的Spark，你可以看到我在DQYDJ使用最多的单词是哪一个。 +``` +hdfs dfs -copyFromLocal dqydj_stripped.txt /dqydj_stripped.txt +``` ->/opt/spark-2.0.0-bin-hadoop2.7/bin/spark-submit –master yarn –executor-memory 512m –name wordcount –executor-cores 8 wordCount.py /dqydj_stripped.txt +现在准备进行最后一步 - 向 Apache Spark 写入一些代码。 -### 我在DQYDJ使用最多的单词 +### VI. 点亮 Apache Spark -可能入列的单词有哪一些呢？can, will, it’s, one, even, like, people, money, don’t, also“. +Cloudera 有个极棒的程序可以作为我们的超级单词计数程序的基础，[你可以在这里找到](https://www.cloudera.com/documentation/enterprise/5-6-x/topics/spark_develop_run.html)。我们接下来为我们的内省式单词计数程序修改它。 -嘿，不差钱–悄悄进入前十。在一个致力于金融、投资和经济的网站上谈论这似乎是件好事，对吧？ +在主节点上[安装‘stop-words’](https://pypi.python.org/pypi/stop-words)这个 python 第三方包，虽然有趣（我在 DQYDJ 上使用了 23,295 次 the 这个单词），你可能不想看到这些语法单词占据着单词计数的前列，另外，在下列代码用你自己的数据集替换所有有关指向 dqydj 文件的地方。 -这是余下的50个最常用的词汇，请用他们得出有关我余下文章的结论。 +``` +import sys + +from stop_words import get_stop_words +from pyspark import SparkContext, SparkConf + +if __name__ == "__main__": + + # create Spark context with Spark configuration + conf = SparkConf().setAppName("Spark Count") + sc = SparkContext(conf=conf) + + # get threshold + try: + threshold = int(sys.argv[2]) + except: + threshold = 5 + + # read in text file and split each document into words + tokenized = sc.textFile(sys.argv[1]).flatMap(lambda line: line.split(" ")) + + # count the occurrence of each word + wordCounts = tokenized.map(lambda word: (word.lower().strip(), 1)).reduceByKey(lambda v1,v2:v1 +v2) + + # filter out words with fewer than threshold occurrences + filtered = wordCounts.filter(lambda pair:pair[1] >= threshold) + + print "*" * 80 + print "Printing top words used" + print "-" * 80 + filtered_sorted = sorted(filtered.collect(), key=lambda x: x[1], reverse = True) + for (word, count) in filtered_sorted: print "%s : %d" % (word.encode('utf-8').strip(), count) + + + # Remove stop words + print "\n\n" + print "*" * 80 + print "Printing top non-stop words used" + print "-" * 80 + # Change this to your language code (see the stop-words documentation) + stop_words = set(get_stop_words('en')) + no_stop_words = filter(lambda x: x[0] not in stop_words, filtered_sorted) + for (word, count) in no_stop_words: print "%s : %d" % (word.encode('utf-8').strip(), count) +``` + +保存好 wordCount.py，确保上面的路径都是正确无误的。 + +现在，准备念出咒语，让运行在 YARN 上的 Spark 跑起来，你可以看到我在 DQYDJ 使用最多的单词是哪一个。 + +``` +/opt/spark-2.0.0-bin-hadoop2.7/bin/spark-submit –master yarn –executor-memory 512m –name wordcount –executor-cores 8 wordCount.py /dqydj_stripped.txt +``` + +### VII. 我在 DQYDJ 使用最多的单词 + +可能入列的单词有哪一些呢？“can, will, it’s, one, even, like, people, money, don’t, also“. + +嘿，不错，“money”悄悄挤进了前十。在一个致力于金融、投资和经济的网站上谈论这似乎是件好事，对吧？ + +下面是的前 50 个最常用的词汇，请用它们刻画出有关我的文章的水平的结论。 ![](https://dqydj.com/wp-content/uploads/2016/08/dqydj_pk_most_used_words.png) -我希望你能喜欢这篇关于Hadoop, YARN, 和 Apache Spark的教程，现在你可以在Spark运行其他的任务。 +我希望你能喜欢这篇关于 Hadoop、YARN 和 Apache Spark 的教程，现在你可以在 Spark 运行和编写其他的应用了。 -你的下一步是任务是开始读pyspark文档（库或其他语言）去学习一些可用的功能。根据你的兴趣和你实际存储的数据，你将会深入学习到有流数据包的SQL，甚至机器学习！ +你的下一步是任务是开始[阅读 pyspark 文档](https://spark.apache.org/docs/2.0.0/api/python/index.html)（以及用于其他语言的该库），去学习一些可用的功能。根据你的兴趣和你实际存储的数据，你将会深入学习到更多——有流数据、SQL，甚至机器学习的软件包！ -你要建立一个树莓派集群吗？看看你使用最频繁的单词是什么？ +你怎么看？你要建立一个树莓派 Hadoop 集群吗？想要在其中挖掘一些什么吗？你在上面看到最令你惊奇的单词是什么？为什么 'S&P' 也能上榜？ -------------------------------------------------------------------------------- -原文: https://dqydj.com/raspberry-pi-hadoop-cluster-apache-spark-yarn/?utm_source=dbweekly&utm_medium=email +via: https://dqydj.com/raspberry-pi-hadoop-cluster-apache-spark-yarn/ 作者：[PK][a] 译者：[popy32](https://github.com/sfantree) -校对：[校对者ID](https://github.com/校对者ID) +校对：[wxy](https://github.com/wxy) 本文由 [LCTT](https://github.com/LCTT/TranslateProject) 组织编译，[Linux中国](https://linux.cn/) 荣誉推出