在CDH上用外部Spark2.2.1 （hadoop free版本）standalone 模式安装和配置 CarbonData
=====================================================================
cdh中外部spark（standalone模式安装）
=====================================================================
5、把安装包和配置文件拷贝到其他机器
--------------------------------------------------------------------------
复制hdfs、hive等配置文件到spark的conf目录
--------------------------------------------------------------------------
spark-env.sh文件最后新增的配置
export SPARK_HOME=/opt/cloudera/parcels/spark2.2.1/lib/spark2
export SPARK_DAEMON_CLASSPATH=$SPARK_HOME/jars/*:$SPARK_HOME/carbonlib/*
# - 这里的dsd为spark的master主机
export SPARK_MASTER_HOST=dsd
export JAVA_HOME=/usr/java/jdk1.8.0_112
export HADOOP_CONF_DIR=/etc/hadoop/conf
export YARN_CONF_DIR=/etc/hadoop/conf.cloudera.yarn/
# Passing a Hadoop configuration directory
export SPARK_DIST_CLASSPATH=$(hadoop --config /etc/hadoop/conf classpath)
--------------------------------------------------------------------------
spark-defaults.conf文件最后新增的配置
spark.driver.extraJavaOptions="-Dcarbon.properties.filepath = /opt/cloudera/parcels/spark2.2.1/lib/spark2/conf/carbon.properties"
spark.executor.extraJavaOptions="-Dcarbon.properties.filepath = /opt/cloudera/parcels/spark2.2.1/lib/spark2/conf/carbon.properties"
--------------------------------------------------------------------------
slaves文件最后新增的配置（把所有的spark节点都加入，包括master）
dsf
dse
dsd
dsb
ddf
--------------------------------------------------------------------------
分发安装包：
scp -r /opt/cloudera/parcels/spark2.2.1 [email protected]:/opt/cloudera/parcels/
=====================================================================
=====================================================================
=====================================================================
编译需要版本的carbondata
=====================================================================
参考：
http://www.zhuyongpeng.cn/1557.html
中文文档
http://carbondata.iteblog.com/installation-guide.html
--------------------------------------------------------------------------
编译carbondata的cdh版本安装包：直接用官网的apache版本，装上去启动不了。
到安装目录下去看一下spark的版本 #不要看cloudera manager的包管理上面的版本，那个是错误的
直接在centos上编译、在window上编译不知道有没有区别。2种都试了。都不行，最终发现不是编译的carbondata有问题。是cdh集成的spark有问题。怎么试都不行。
最终换成原版的spark2.2.1（hadoop free版本的）
解决maven仓库默认不支持cdh
目前maven仓库中没有支持cdh的相关依赖。cloudera自己建立了一个相关的仓库。要想利用maven添加相关依赖，则必须单独添加cloudera仓库。
一、项目的pom.xml文件里面, 添加仓库配置
<repositories>
<repository>
<id>cloudera</id>
<url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
</repository>
</repositories>
三、在国内使用maven中央仓库一般会有网络问题，所以大部分人会使用aliyun仓库或者其他开源的仓库。
所以需要修改setting.xml (以下配置中 *,!cloudera 表示除了aliyun仓库还使用cloudera仓库)
<mirror>
<id>nexus-aliyun</id>
<mirrorOf>*,!cloudera</mirrorOf>
<name>Nexus aliyun</name>
<url>
http://maven.aliyun.com/nexus/content/groups/public
</url>
</mirror>
四、若未设置自动更新maven项目，则需更新maven项目，然后等待下载相关依赖。完成之后便可以使用cdh进行开发啦
--------------------------------------------------------------------------
在centos下编译
---------------------------
安装thrift-0.9.3，此步骤较为繁琐，需要其他库的支持。没有详细记录。
yum install automake bison flex g++ git libboost-all-dev libevent-dev libssl-dev libtool make pkg-config
下载thrift-0.9.3
http://archive.apache.org/dist/thrift/0.9.3/thrift-0.9.3.tar.gz
tar -xzvf thrift-0.9.3.tar.gz
---------------------------
安装mvn
tar zxvf apache-maven-3.5.3-bin.tar.gz -C /root/ssss/
vim /etc/profile #添加mvn的配置信息
export M2_HOME=/root/ssss/apache-maven-3.5.3/ export PATH=$PATH:$M2_HOME/bin
source /etc/profile
mvn -version
---------------------------
mvn -Pwindows -Dmaven.test.skip=true -Pspark-2.2 -Dspark.version=2.2.1 clean package
下载了好几次才完整的下载了所有依赖jar包。
http://repo1.maven.org/maven2/org/apache/spark/spark-streaming_2.11/2.2.0/
=====================================================================
=====================================================================
=====================================================================
spark集成carbondata
=====================================================================
编译 CarbonData 工程，并且从 carbondata-parent-1.4.0\assembly\target\scala-2.11路径获取 apache-carbondata-1.4.0-bin-spark2.2.0.cloudera2-hadoop2.7.2.jar。
最后将这个 jar 复制到 $SPARK_HOME/carbonlib 文件夹。
注意: 如果 $SPARK_HOME 路径下不存在 carbonlib 文件夹，请事先创建它。
压缩 carbonlib 文件夹的内容到tar.gz 文件中，并将这个压缩文件移到 carbonlib 文件夹下面。
cd /opt/cloudera/parcels/spark2.2.1/lib/spark2/ tar -zcvf carbonlib.tar.gz carbonlib/ mv carbonlib.tar.gz carbonlib/
--------------------------------------------------------------------------
--------------------------------------------------------------------------
3.1、到carbondata的源码当中找到carbon.properties配置文件，并拷贝到spark的配置文件目录
3.2、将下面的配置添加到 $SPARK_HOME/conf/carbon.properties 文件中:
carbon.storelocation=hdfs://nameservice1/ddhome/carbondata
carbon.badRecords.location=hdfs://nameservice1/ddhome/carbondata/badRecords
--------------------------------------------------------------------------
4、在hdfs中建立上面配置的hdfs://nameservice1/ddhome/carbondata目录。
hadoop fs -mkdir -p /ddhome/carbondata
hadoop fs -mkdir -p /ddhome/carbondata_badRecords
hadoop fs -mkdir -p /ddhome/carbondata_data
授予访问目录的权限，否则文件写入不了
hadoop fs -chmod -R 777 /ddhome/carbondata
hadoop fs -chmod -R 777 /ddhome/carbondata_badRecords
hadoop fs -chmod -R 777 /ddhome/carbondata_data
=====================================================================
--------------------------------------------------------------------------
6、启动：验证安装
启动：standalone集群：有效
/opt/cloudera/parcels/spark2.2.1/lib/spark2/sbin/start-all.sh
关闭：standalone集群：有效
/opt/cloudera/parcels/spark2.2.1/lib/spark2/sbin/stop-all.sh
=====================================================================
#spark-submit提交普通任务jar进行测试
成功 --supervise（出现错误重启driver）提交作业的端口是6066（restful接口）
/opt/cloudera/parcels/spark2.2.1/lib/spark2/bin/spark-submit --class com.ziyun.DpiGet2Hiveparquet --master spark://192.168.101.218:6066 --deploy-mode cluster --supervise /home/usr/sparkjob/zy-just-spark-1.0.0.jar first --conf spark.network.timeout=300
这种用7077端口也可以提交成功
/opt/cloudera/parcels/spark2.2.1/lib/spark2/bin/spark-submit --class com.ziyun.DpiGet2Hiveparquet --master spark://192.168.101.218:7077 --deploy-mode client /root/zy-just-spark-1.0.0.jar first --conf spark.network.timeout=300
=====================================================================
目前配置standalone模式的spark是否支持hive（spark任务提示一些错误：需要给sparksession添加一些配置
.enableHiveSupport() //开启hive支持
.config("spark.sql.warehouse.dir", "/user/hive/warehouse")）
hadoop fs -chmod -R 777 /user/hive/warehouse #给配置的目录加入权限
/opt/cloudera/parcels/spark2.2.1/lib/spark2/bin/spark-submit --class com.ziyun.MRecKqmj --master spark://192.168.101.217:7077 --deploy-mode client /root/zy-just-spark-1.0.0.jar first --conf spark.network.timeout=300
测试普通任务能否写入hdfs:新spark（standalone） ##按照后面添加了jar之后，可以正常写入的
/opt/cloudera/parcels/spark2.2.1/lib/spark2/bin/spark-submit --class com.ziyun.MRecKqmjTest --master spark://192.168.101.217:7077 --deploy-mode client /root/zy-just-spark-1.0.0.jar first --conf spark.network.timeout=300
独立模式提示找不到hive的classes。需要拷贝这2个jar到spark的jars目录下
最后是把cloudera manager上集成的spark2.2.0.cloudera2版本中相关hive和spark的jar复制到新装的spark的jar目录。
把mysql的驱动jar也拷贝过去。在hive里面也是有的。
后面又提示缺失thriftserver。最终是解压了一个spark自带hadoo2.6（cm版本的hadoop也是基于2.6）版本的jar，把它里面的jar也拷贝到新装的spark的jars目录下。
跑普通spark任务就可以了。
原文地址：https://www.cnblogs.com/double-kill/p/9610159.html