[原]Spark1.1.0 源码编译和部署包生成
book_mmicky发表于 2014-05-13 15:23:45
Spark1.1.0的源码编译和部署包生成，其本质只有两种：Maven和SBT，只不过针对不同场景而已：
在maven projects视图选择Spark Project Parent POM(root)，然后选中工具栏倒数第四个按钮（ship Tests mode）按下，这时Liftcycle中test是灰色的。
按OK 保存。
回到maven projects视图，点中Liftcycle中package，然后按第5个按钮（Run Maven Build按钮），开始编译。其编译结果和Maven编译是一样的。
生成在部署包位于根目录下，文件名类似于spark-1.1.0-bin-2.2.0.tgz。
TIPS:
- Maven编译
- SBT编译
- IntelliJ IDEA编译（可以采用Maven或SBT插件编译），适用于开发人员
- 部署包生成（内嵌Maven编译），适用于维护人员
编译的目的是生成指定环境下运行Spark本身或Spark Application的JAR包。缺省编译所支持的hadoop环境是hadoop1.0.4。Spark1.1.0的编译对几种编译方法（Maven、SBT、make-distribution.sh）进行了配置项的统一，都可以使用Maven的profile配置项；另外，对于需要额外版权的集成组件也提供了Maven配置项，如spark-ganglia-lgpl、kinesis-asl，方便了用户的编译。在本例中，笔者使用的环境是hadoop2.2.0，支持hive，并和ganglia、kinesis-asl集成。
1：获取Spark1.1.0 源码
2：SBT编译
将源代码复制到指定目录，然后进入该目录，运行：
sbt/sbt assembly -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Pkinesis-asl -Phive
3：Maven编译
事先安装好maven3.04或maven3.05，并设置要环境变量MAVEN_HOME，将$MAVEN_HOME/bin加入PATH变量。然后将源代码复制到指定目录，然后进入该目录，先设置Maven参数：
export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"再运行：
mvn -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Pkinesis-asl -Phive -DskipTests clean package
4：IntelliJ IDEA编译
IntelliJ IDEA是个优秀的scala开发IDE，所以顺便就提一下IntelliJ IDEA里的spark编译。
首先将源代码复制到指定目录，然后启动IDEA -> import project -> import project from external model -> Maven编译目录中的pom.xml -> 在选择profile时选择配置（如hadoop2.2、yarn、hive等） -> 直到导入项目。
接着按倒数第一个按钮进入Maven设置，在runner项设置VM option：
-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m
5：生成spark部署包
编译完源代码后，虽然直接用编译后的目录再加以配置就可以运行spark，但是这时目录很庞大，有800M左右多吧，部署起来很不方便，所以需要生成部署包。
spark1.1.0源码根目录下带有一个脚本文件make-distribution.sh可以生成部署包，其用法和spark1.0.0有了较大变动，开始支持MAVEN的配置参数，用法如下：
./make-distribution.sh [--name] [--tgz] [--with-tachyon] <maven build options>
- --with-tachyon：是否支持内存文件系统Tachyon，不加此参数时不支持tachyon。
- --tgz：在根目录下生成 spark-$VERSION-bin.tgz，不加此参数时不生成tgz文件，只生成/dist目录。
- --name NAME：和--tgz结合可以生成spark-$VERSION-bin-$NAME.tgz的部署包，不加此参数时NAME为hadoop的版本号。
如果要生成spark支持yarn、hadoop2.2.0、hive的部署包，只需要将源代码复制到指定目录，进入该目录后运行：
./make-distribution.sh --tgz --name 2.2.0 -Pyarn -Phadoop-2.2 -Phive
如果要生成spark支持yarn、hadoop2.2.0、ganglia、hive的部署包，只需要将源代码复制到指定目录，进入该目录后运行：
./make-distribution.sh --tgz --name 2.2.0 -Pyarn -Phadoop-2.2 -Pspark-ganglia-lgpl -Phive
值得注意的是：make-distribution.sh已经带有Maven编译过程，所以不需要先编译再打包。
笔者在百度云盘pan.baidu.com/s/1dDmqK4h#dir/path=%2Fdeploy上共享了一份支持yarn、hadoop2.2.0、ganglia、hive的部署包
6：后记
解压部署包后或者直接在编译过的目录，通过配置conf下的文件，就可以使用spark了。
Spark有下列几种部署方式：
- Standalone
- YARN
- Mesos
- Amazon EC2
其实说部署，还不如说运行方式，Spark只是利用不同的资源管理器来申请计算资源。其中Standalone方式是使用Spark本身提供的资源管理器，可以直接运行；而在YARN运行，需要提供运行Spark Application的spark jar包（或者直接在YARN节点上部署Spark jar包）：
maven编译的jar包为：./assembly/target/scala-2.10/spark-assembly-1.1.0-hadoop2.2.0.jar
SBT编译的jar包为：./assembly/target/scala-2.10/spark-assembly-1.1.0-hadoop2.2.0.jar
具体使用参见：Spark1.0.0 YARN模式部署
众所周知的网络问题，编译的时候经常会发生卡死的现象，对于maven编译，只需要安ctrl+z结束进程重新编译就可以了；而对于sbt编译，由于有时候会有文件锁定的问题，在按ctrl+z结束进程后，最好退出终端后再开启一个新的终端进行编译。