Debian Hadoop与Spark如何集成

要将Debian上的Hadoop与Spark集成，可以按照以下步骤进行操作：

1. 安装Hadoop

首先，需要在Debian系统上安装Hadoop。以下是基于Hadoop 3.2.0和JDK 8的安装步骤：

• 安装JDK 8：

wget https://download.java.net/java/GA/jdk8/9/GPL/openjdk-8u221-b11-linux-x64.tar.gz
tar xvf openjdk-8u221-b11-linux-x64.tar.gz -C /usr/lib/jvm
ln -s /usr/lib/jvm/jdk1.8.0_221 /usr/lib/jvm/jdk

• 配置环境变量：

echo 'export JAVA_HOME=/usr/lib/jvm/jdk' >> /etc/profile
echo 'export PATH=$JAVA_HOME/bin:$PATH' >> /etc/profile
source /etc/profile

• 安装Hadoop 3.2.0：

wget http://archive.apache.org/dist/hadoop/core/hadoop-3.2.0/hadoop-3.2.0.tar.gz
tar xvf hadoop-3.2.0.tar.gz -C /opt
ln -s /opt/hadoop-3.2.0 /opt/hadoop

• 配置Hadoop环境变量：

echo 'export HADOOP_HOME=/opt/hadoop' >> /etc/profile
echo 'export PATH=$HADOOP_HOME/bin:$PATH' >> /etc/profile
source /etc/profile

• 修改Hadoop配置文件（如core-site.xml, hdfs-site.xml, mapred-site.xml, yarn-site.xml）以配置HDFS、YARN等。

2. 安装Spark

接下来，在Debian系统上安装Spark。以下是基于Spark 3.3.2的安装步骤：

• 下载Spark 3.3.2：

wget https://archive.apache.org/dist/spark/spark-3.3.2/spark-3.3.2-bin-hadoop3.tgz
tar xvf spark-3.3.2-bin-hadoop3.tgz -C /opt
ln -s /opt/spark-3.3.2 /opt/spark

• 配置Spark：

• 复制spark-defaults.conf.template到spark-defaults.conf并修改配置。

• 复制spark-env.sh.template到spark-env.sh并修改配置，例如设置HADOOP_CONF_DIR和HADOOP_HOME。

3. 配置Hadoop和Spark的集成

• 修改spark-defaults.conf以使用Hadoop YARN作为集群管理器。
• 修改spark-env.sh以包含Hadoop的配置文件路径。
• 删除Spark自带的Hadoop相关jar包，并添加自定义的Hadoop jar包路径。
• 将Hive的配置文件hive-site.xml复制到Spark的配置目录。

4. 启动Hadoop和Spark

• 启动Hadoop集群：

start-dfs.sh
start-yarn.sh

• 验证Hadoop和Spark是否正常运行：

hdfs dfsadmin -report
yarn node -list

5. 运行Spark应用程序

使用spark-submit脚本提交Spark应用程序到Hadoop集群：

./bin/spark-submit \
  --class <main-class> \
  --master yarn \
  --deploy-mode <client|cluster> \
  --conf <key>=<value> \
  ... # other options
  <application-jar> \
  [application-arguments]

请注意，具体的配置步骤可能会根据实际使用的Hadoop和Spark版本有所不同。建议参考官方文档以获取详细的配置指南。