1：实验配置
虚拟机cdh1（4G内存，1CPU*2CORE）
虚拟机cdh2（4G内存，1CPU*2CORE）
虚拟机cdh3（4G内存，1CPU*2CORE）
spark配置：
conf/spark-env.sh
- export SPARK_MASTER_IP=cdh1
- export SPARK_WORKER_CORES=2
- export SPARK_WORKER_INSTANCES=2
- export SPARK_MASTER_PORT=7077
- export SPARK_WORKER_MEMORY=1200m
- export MASTER=spark://${SPARK_MASTER_IP}:${SPARK_MASTER_PORT}
conf/slaves
- cdh2
- cdh3
2：启动spark
在这里spark作为一个资源管理器的存在，类似YARN、Mesos的角色，为Spark Application提供资源。
在本配置里，这个standalone spark所拥有的资源是：2个Worker Node，每个Worker Node提供2Core、2个INSTANCE（也就是启动2个worker 实例）、1.2G内存。所以总的资源是：4个Worker，8个Core，4.8G内存。可以通过http://cdh1:8080获取相应的信息：
3：启动spark-shell
spark-shell 是一个spark application，运行时需要向资源管理器申请资源，如standalone spark、YARN、Mesos。本例向standalone spark申请资源，所以在运行spark-shell时需要指向申请资源的standalone spark集群信息，其参数为MASTER。如果未在spark-env.sh中申明MASTER，则使用命令MASTER=spark://cdh1:7077 bin/spark-shell启动；如果已经在spark-env.sh中申明MASTER，则可以直接用bin/spark-shell启动。
由于spark-shell缺省的情况下，会申请所有的CPU资源，也就是8个Core，本实验先看看使用3个Core的情况。至于spark-shell申请内存资源是通过Application中SparkContext中配置-->环境变量SPARK_MEM-->缺省值512M这样的优先次序来决定，本例中未做任何设置 ，故每个Executor使用的是512M。
[hadoop@cdh1 spark09]$ bin/spark-shell -c 3
