应用场景

搭建部署了hadoop环境后，使用MapReduce来进行计算，速度非常慢，因为MapReduce只是分布式批量计算，用于跑批的场景，并不追求速率，因为它需要频繁读写HDFS，并不能实时反馈结果，这种跑批的场景用的还是比较少的。一般客户最想看到的是输入后立马有结果反馈。那此时我们就需要在Hadoop伪分布式集群上部署Spark环境了！因为Spark是内存计算，它把计算的中间结果存到了内存中，不用频繁读取HDFS，做了极大的优化，当然Spark也是今后的潮流，慢慢将取代Hadoop的很多组件，Spark还有一个优势就是，它是天然与Hadoop完美结合的！

操作步骤

1. 下载Scala和Spark

SCALA2.10.4下载地址
spark1.6.1下载地址

2. 解压并配置环境变量

下载解压scala，添加配置环境变量：

 export SCALA_HOME=/opt/scala-2.10.4
 export PATH=$JAVA_HOME/bin$HADOOP_HOME/bin:$HIVE_HOME/bin:$SCALA_HOME/bin:$PATH

下载解压spark，添加配置环境变量：

 export SPARK_HOME=/opt/spark-1.6.1 
 export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$SCALA_HOME/bin:$SPARK_HOME/bin:$HIVE_HOME/bin:$PATH

3. 修改spark-env.sh

进入Spark的配置文件路径，
 # cd $SPARK_HOME/conf  
在spark-env.sh文件中添加如下配置： 
 export JAVA_HOME=/opt/jdk1.7.0_79
 export SCALA_HOME=/opt/scala-2.10.4
 export HADOOP_CONF_DIR=/opt/hadoop-2.6.0/etc/hadoop

4. 启动spark：

 # cd /opt/spark-1.6.1
 # ./sbin/start-all.sh

5. 验证

启动完毕，命令行输入jps，如果有master，worker那么就是启动成功

浏览器访问：http://192.168.208.110:8080

# ./bin/spark-shell
浏览器访问：http://192.168.208.110:4040
访问spark-shell页面

# ./bin/spark-sql
通过spark-sql连接hive，访问hive中的数据

# ./sbin/start-thriftserver.sh
# ./bin/beeline
重要，启动后，可以直接使用hive的程序，即HQL执行时默认用spark来进行内存计算