在本系列博客中，为了解析一些概念、解析一些架构、代码测试，搭建了一个实验平台，如下图所示：

本实验平台是在一台物理机上搭建的，物理机的配置是16G内存，4核8线程CPU。平台的环境配置如下：

机器名	配置	角色	软件安装
hadoop1	2G内存，双核	hadoop：NN/DN Spark：Master/worker	/app/hadoop/hadoop220 /app/hadoop/spark100 /app/scala2104 /usr/java/jdk1.7.0_21
hadoop2	2G内存，双核	hadoop：DN Spark：worker	/app/hadoop/hadoop220 /app/hadoop/spark100 /app/scala2104 /usr/java/jdk1.7.0_21
hadoop3	2G内存，双核	hadoop：DN Spark：worker	/app/hadoop/hadoop220 /app/hadoop/spark100 /app/scala2104 /usr/java/jdk1.7.0_21
wyy	16G内存，四核	client	/app/hadoop/hadoop220

以上hadoop和spark安装目录的用户属性都是hadoop（组别为hadoop），其他的安装目录的用户属性是root:root。

实验平台搭建顺序

1：虚拟集群的搭建

A：hadoop2.2.0集群搭建

参见博客 hadoop2.2.0测试环境搭建

或者参看视频 http://pan.baidu.com/s/1qWqFY4c 提取密码:xv4i

B：Spark1.0.0 Standalone集群搭建

参见博客 Spark1.0.0 on Standalone 模式部署

2：开发端的搭建

客户端采用的Ubuntu操作系统，而Spark虚拟集群采用的是CentOS，默认的java安装目录两个操作系统是不一样的，所以在Ubuntu下安装java的时候特意将java的安装路径改成和CentOS一样。不然的话，每次scp了虚拟集群的配置文件之后，要修改hadoop-env.sh中的java配置。

客户端hadoop2.2.0和Spark1.0.0是直接从虚拟集群中scp出来的，放置在相同的目录下，拥有相同的用户属性。

开发用的IDE采用IntelliJ IDEA，项目的搭建参见博客使用IntelliJ IDEA开发Spark1.0.0应用程序。

应用程序的部署和调试参见博客应用程序部署工具spark-submit 。

3：实验数据来源

实验用的数据来源于搜狗实验室下载地址为：http://download.labs.sogou.com/resources.html?v=1

• 互联网语料库(SogouT)
• 网页搜索结果评价(SogouE)
• 链接关系库(SogouT-Link)
• SogouRank库(SogouT-Rank)
• 用户查询日志(SogouQ)
• 互联网词库(SogouW)

4：伪分布式实验平台搭建

上面的实验平台是将hadoop集群、Spark集群和开发环境分离，更接近生产系统；但很多朋友的物理机配置可能偏低，那样的话可以采用伪分布式部署。但伪分布式会有一些缺陷：

• spark的数据本地性不易测试
• 对于并行性不易理解
• job调度不易理解

至于伪分布式的部署很简单，步骤和虚拟集群搭建差不多，只要修改两个地方：

• ssh无密码登陆只需要ssh一下本机
• hadoop和spark的配置文件salves修改成本机机器名

5：调试工具

• 日志配置（尚未撰写博客，最近写完补上链接）
• history server配置
• job server配置（尚未撰写博客，最近写完补上链接）