手把手教你搭建：基于OpenEuler的Hadoop + Spark完全分布式集群（超百张图+测试+源码）

前言：
Hello，这里宣传一下我们学校的零基础学Linux操作系统MOOC，有公开的学习群聊还有热心答疑~
本人通过老师指导了解到国产开源Linux操作系统OpenEuler，遂使用该系统完成开源大数据开发平台的搭建，收获很大。
本文使用截至25/4/21最新的OpenEulerLTS版本和Hadoop、spark最新版，搭建完全分布式集群。搭建过程适用于各种Linux系统，基本思路大差不差，供参考。
本文声明全文原创，且永远不会收费，延续开源精神。希望文章能够对在学习路上的你有所帮助。
如果你想搭建简单的伪分布式集群，请参考：基于OpenEuler的Hadoop单机伪分布式集群搭建

技术简介

Hadoop和Spark概述

一张图了解Hadoop和spark的功能

Hadoop主要有三个核心组件：HDFS、MapReduce、YARN。

我们最常接触到的就是HDFS和MapReduce，HDFS叫做hadoop分布式文件系统，简单来说就是在hadoop上存储文件的，更规范的说，是将数据以分布式的方式存储在集群中的多个节点上。

MapReduce是一个分布式计算框架，简单来说就是负责计算的，规范的讲，就是对存储在 HDFS 上的大规模数据进行并行处理和计算。

那么Spark是什么？被认为是一个比MapReduce快10-100倍的分布式计算框架。那么究竟快不快，希望你动手试一试。在实际开发中，spark和Hadoop是一般是协同工作的，Hadoop和spark各有优缺点。

下面的链接中介绍了Hadoop和spark的异同：
difference-between-hadoop-and-spark

OpenEuler概述

华为主导开发的开源Linux操作系统，有丰富的文档和社区，详情请看：
OpenEuler官网

实验方案

1. 虚拟机环境

虚拟机软件：VMWare WorkStation 17 Pro

虚拟机数量：3 台

虚拟机操作系统：OpenEuler 24.03 LTS SP1 (2025/4/21 LTS最新)

分配资源：2处理器/ 1核心/ 4GB 内存/ 32GB硬盘(划重点，官方要求)

2. 软件环境

Hadoop版本：3.4.1 (2025/4/21最新)

hadoop-3.4.1.tar.gz官方安装包

hadoop-3.4.1.tar.gz清华大学镜像

Spark版本：spark-3.5.5 (2025/4/21最新)

Java版本：OpenJDK 1.8

开发工具：eclipse-java-2025-03

hadoop-eclipse-plugin-2.6.0.jar

4. 运行模式

Hadoop和Spark都是完全分布模式。关于Hadoop三种模式的区别请看：
hadoop-different-modes-of-operation/

6. 节点角色分配

OpenEuler操作系统(含图形化界面)安装

参考本人文章: VMware安装OpenEuler及UKUI图形化界面

Hadoop完全分布式集群搭建

设置主机名

1. 登录root用户

2. 修改主机名

hostnamectl set-hostname master
hostname #查看主机名

3. 重新登录可以看到已经生效

NAT模式网络配置

windows中设置

1. 本项目中使用VMWare创建虚拟机，网络模式为NAT模式网络。
2. 首先，需要确保开启Windows中网络适配器中的VMnet8。

3. 然后右击，点击属性，修改IPv4中的IP、子网掩码、网关和DNS。
4. 使用192.168.128.0网段, DNS=8.8.8.8。

VMware中设置

在VMWare中编辑虚拟网络，选中VMNet8，取消勾选DHCP选项，并设置子网、子网掩码、网关（与前面Windows中网络适配器的修改保持一致）。

OpenEuler中

1. 修改网卡配置

vi /etc/sysconfig/network-scripts/ifcfg-ens33

修改bootproto=static，并添加如下信息：

IPADDR=192.168.128.10
NETMASK=255.255.255.0
GATEWAY=192.168.128.1
DNS1=8.8.8.8

2. 重新加载网卡

nmcli connection reload ens33

3. 查看ip地址已经成功生效

ip addr

4. 使用ping www.baidu.com，可以ping通外网

添加Hadoop用户

为什么使用普通用户而不是root用户

在真实开发环境中，一般不直接使用root用户。root用户拥有最高权限，为了安全性、更好的管理权限和避免风险，应使用普通用户并授予相关权限。

如果要使用root身份使用Hadoop，应在安装完Hadoop后进入$HADOOP_HOME/sbin目录修改如下文件：

vi start-dfs.sh、vi stop-dfs.sh:

HDFS_DATANODE_USER=root 
HDFS_DATANODE_SECURE_USER=hdfs 
HDFS_NAMENODE_USER=root 
HDFS_SECONDARYNAMENODE_USER=root

vi start-yarn.sh和vi stop-yarn.sh:

YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn 
YARN_NODEMANAGER_USER=root

本文中使用普通用户hadoop搭建Hadoop完全分布式集群，并授予hadoop用户sudo权限和Hadoop相关文件权限。

添加用户

1. 添加hadoop用户

useradd hadoop

2. 修改用户密码

passwd hadoop

3. 添加到wheel组中，授予hadoop用户sudo权限

usermod -G wheel hadoop 

4. 查看信息，已经添加wheel组

id hadoop 

JDK安装及环境变量配置

安装JDK

1. 根据官方描述，Hadoop3.3版本以上支持java8和java11(仅运行环境)，本次项目中使用的是Hadoop3.4.1和java8

2. 使用dnf search java-1.8查找安装包
   

3. 使用sudo dnf install java-1.8.0-openjdk-devel安装，该安装包包括JRE（java运行环境）和JDK

4. 安装完成：

java -version

查看安装版本

配置java环境变量

1. 使用which java找到java所在位置

2. 使用readlink -f /usr/bin/java获取链接指向的java所在位置

which java
readlink -f /usr/bin/java

3. 配置java环境变量

vi ~/.bashrc

添加如下行：

JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.432.b06-1.oe2403sp1.x86_64/jre
export PATH=$PATH:$JAVA_HOME/bin

4. 使用source ~/.bashrc使生效

source ~/.bashrc

安装HADOOP及环境变量配置

安装Hadoop

1. 使用wget获取Hadoop安装包，并将其放在/opt目录下：

wget -P /opt https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/stable/hadoop-3.4.1.tar.gz

2. 使用tar -zvxf解压安装包

tar -zvxf hadoop-3.4.1.tar.gz

3. 将hadoop-3.4.1改名为hadoop

mv hadoop-3.4.1 hadoop

配置环境变量

1. 编辑用户环境变量

vi ~/.bashrc

确保有如下：

HADOOP_HOME=/opt/hadoop
export PATH=$HADOOP_HOME:$PATH

2. 使用source ~/.bashrc使生效

source ~/.bashrc

3. 进入Hadoop安装目录：$HADOOP_HOME/etc/hadoop，修改如下文件：

cd $HADOOP_HOME/etc/hadoop
sudo vi hadoop-env.sh 
sudo vi yarn-env.sh 

添加：

export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.432.b06-1.oe2403sp1.x86_64/jre

授予hadoop用户Hadoop安装目录的权限

sudo chown -R hadoop:hadoop /opt/hadoop

修改Hadoop相关配置文件

cd $HADOOP_HOME/etc/hadoop

vi core-site.xml

设置默认文件系统HDFS系统主节点为 master，端口为 9000和临时目录所在位置。

<configuration>
 <property>
  <name>fs.defaultFS</name>
  <value>hdfs://master:9000</value>
 </property>
 <property>
   <name>hadoop.tmp.dir</name>
   <value>/opt/hadoop/tmp</value>
  </property>
</configuration>

vi hdfs-site.xml

设置每个HDFS文件的副本数和namenode、datanode数据的存储位置。

<configuration>
 <property>
  <name>dfs.replication</name>
  <value>2</value>
 </property>
 <property>
  <name>dfs.namenode.name.dir</name>
  <value>file:/opt/hadoop/data/nn</value>
 </property>
 <property>
  <name>dfs.datanode.data.dir</name>
  <value>file:/opt/hadoop/data/dn</value>
 </property>
</configuration>

vi yarn-site.xml

设置resourcemanager的主机名、mapreduce_shuffle服务和设置yarn应用所需的hadoop路径。

<configuration>
 <property>
  <name>yarn.resourcemanager.hostname</name>
  <value>master</value>
 </property>   
 <property>
  <name>yarn.nodemanager.aux-services</name>
  <value>mapreduce_shuffle</value>
 </property>
 <property>
  <name>yarn.application.classpath</name>
  <value>
   <!-- 这里填入hadoop classpath命令得到得值 -->
  </value>
 </property>
</configuration>

vi mapred-site.xml

指定yarn为mapreduce的执行框架。

<configuration>
 <property>
  <name>mapreduce.framework.name</name>
  <value>yarn</value>
</property>
</configuration>

vi workers

指定集群的工作节点，会在这些节点上启动DATa Node和NodeManager。

node1
node2

sudo vi /etc/hosts

配置主机名与IP映射。保证可以通过主机名互相访问。

192.168.128.10 master
192.168.128.11 node1
192.168.128.12 node2

克隆和配置集群

克隆集群

克隆master为node1和node2。

修改node节点的主机名

修改node1和node2的hostname分别为node1和node2：

hostnamectl set-hostname node1
hostnamectl set-hostname node2

使用hostname查看修改情况

hostname

修改集群的IP地址和UUID

1. 使用vi /etc/sysconfig/network-scripts/ifcfg-ens33修改网卡文件

node1：

IPADDR=192.168.128.11

node2：

IPADDR=192.168.128.12

并且修改UUID保证每台虚拟机的UUID唯一

2. 重新加载ens33

nmcli connection reload ens33

3. 查看地址生效

ip addr

4. ping www.baidu.com可以ping成功

ping www.baidu.com

配置ssh免密登录

1. 在master执行ssh-keygen -t rsa产生公钥与私钥对

ssh-keygen -t rsa

2. 使用如下命令，将公钥复制到master 上,开启免密登录

ssh-copy-id hadoop@master
ssh-copy-id hadoop@node1
ssh-copy-id hadoop@node2

3. 测试免密登录

ssh node1
exit
ssh node2
exit

无需密码登录

关闭防火墙

对所有节点执行：

sudo systemctl stop firewalld #停止
sudo systemctl disable firewalld #关闭开机自启
sudo systemctl status firewalld #显示inactive(dead)说明已经关闭 

注意在真实开发环境中不推荐直接关闭防火墙，而是开放所需端口和服务。

例如这种：

配置时钟同步

Hadoop是一个分布式系统，集群中有多个节点，如果节点之间的系统时间不一致，容易造成错误。

1. 对master作如下修改

vi /etc/chrony.conf
local stratum 10
allow 192.168.128.0/24

允许本网段的主机将master作为时间源。

2. 对node1和node2分别作如下修改：

vi /etc/chrony.conf
server master iburst

将master节点作为节点的时间源。

3. 启动chronyd服务

分别在master和node节点执行：

sudo systemctl restart chronyd #重启
sudo systemctl enable chronyd #设置开机自启
sudo systemctl status chronyd #查看状态，active(running)已启动

4. 分别在node节点使用:

chronyc sources

如果master前面是*，代表master成为node的时间源

格式化HDFS

1. 分别对master、node1、node2格式化：

cd $HADOOP_HOME
bin/hdfs namenode -format

2) 显示successful成功

启动和停止Hadoop集群

1. 启动Hadoop集群

   有两种方式：

cd $HADOOP_HOME/sbin
./start-dfs.sh
./start-yarn.sh
#或者
./start-all.sh

2. 使用jps查看

jps

master节点应该有：

NameNode、ResourceManager、SecondaryNameNode

node应该有DataNode和NodeManager

3. 停止Hadoop集群

同样有两种方式：

./stop-dfs.sh
./stop-yarn.sh
#或者
./stop-all.sh

监控集群

HDFS监控 : master:9870

YARN监控 ： master:8088

HDFS文件系统测试

创建目录并查看

hdfs dfs -mkdir /input #创建/input目录

hdfs dfs -ls / #查看根目录下的文件

创建文件并上传，查看

1. 创建文件

cat > test.txt << EOF
> this is a test 
> for hdfs 
> EOF 

上传test.txt文件到/目录

hdfs dfs -put test.txt /

3. 查看test.txt文件

hdfs dfs -cat /test.txt

删除文件

hdfs dfs -rm -f /test.txt

删除test.txt文件

Eclipse配置Hadoop

安装eclipse

1. 下载链接：eclipse-java-2025-03
2. 解压

解压到/opt目录：

tar -zvxf Downloads /eclipse-java-2025-03-R-linux-gtk-x86_64

3. 添加桌面快捷方式

进入/home/hadoop/eclipse目录，将eclipse添加到桌面

eclipse连接Hadoop

1. 下载Hadoop-eclipse-plugin

链接: hadoop-eclipse-plugin-2.6.0.jar

2. 安装Hadoop-eclipse-plugin

将hadoop-eclipse-plugin-2.6.0.jar文件复制到eclipse安装目录的dropins目录

3. 重新启动IDE后，点击windwos-preferences-gradle-hadoop Map/Reduce，选择Hadoop的安装目录/opt/hadoop

4. 点击windows-show view-other-Map/Reduce Locations，显示DFS Location。

5. 创建dfs locations

点击右下角紫色小象

输入Host为master，dfs master 端口为9000，map/reduce master端口为9001

6. 配置成功后，左侧project explorer成功显示dfs locations及hdfs系统中的内容

创建Java项目并配置Hadoop

1. 创建项目，选择jdk1.8
   

2. 导入Hadoop jar文件

选中项目，点击file-properties-java build path-libraries-add external jars

导入Hadoop安装目录/opt/hadoop下的如下jar文件：

share/hadoop/common/hadoop-common-3.3.4.jar

share/hadoop/mapreduce/hadoop-mapreduce-client-*.jar

share/hadoop/common/lib/guava-*.jar

share/hadoop/common/lib/commons-logging-*.jar

MapReduce: WordCount测试项目

编写并上传测试文件

编写words.txt存放词频统计的测试文件，指定EOF为结束符

cat > words.txt <<EOF
> this is a test
> hadoop cluster
> mapreduce test
> EOF

hdfs dfs -put words.txt /input#上传测试文件

hdfs dfs -cat /input/words.txt#查看测试文件

编写代码并编译为jar包

1. hadoop官方给出了WordCount代码：

链接：WordCount源码

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class WordCount {

  public static class TokenizerMapper
       extends Mapper<Object, Text, Text, IntWritable>{

    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      StringTokenizer itr = new StringTokenizer(value.toString());
      while (itr.hasMoreTokens()) {
        word.set(itr.nextToken());
        context.write(word, one);
      }
    }
  }

  public static class IntSumReducer
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values,
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    Job job = Job.getInstance(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(args[0]));
    FileOutputFormat.setOutputPath(job, new Path(args[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

2. 创建WordCount.java

3. 右击项目目录, 点击export-java-jar file, 编译为jar文件

Hadoop执行WordCount

hadoop jar WordCount.jar WordCount /input /output

输入文件只有一个文件的时候可以直接写输入目录/input，否则写详细位置。

将WordCount.jar 文件上传到Hadoop上执行。

该命令含义为：hadoop jar jar文件位置 类名 输入文件位置 输出目录

执行结果如下:

hdfs dfs -ls /output

查看到生成一个/output目录，包含如下文件：

_SUCCESS：表示成功

part-r-00000：包含执行结果

hdfs dfs -cat /output/part-r-00000

查看到词频统计结果

查看网页端的/output目录：

查看part-r-00000文件的内容, 可以看到已经成功执行, 并统计出词频结果

MapReduce:UserVisitCount测试项目

编写并上传测试文件

cat > users.txt <<EOF
>user1
>user1
>user2
>user2
>user2
>user1
>user2
> EOF

hdfs dfs -put users.txt /input  #上传测试文件
hdfs dfs -cat /input/users.txt #查看测试文件

编写代码并编译为jar包

UserVisitCount是一个用于统计不同用户访问次数的程序，编写代码如下：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

public class UserVisitCount {

    public static class UserVisitMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
        private final static IntWritable one = new IntWritable(1);
        private Text user = new Text();

        @Override
        protected void map(LongWritable key, Text value, Context context)
                throws IOException, InterruptedException {
            String line = value.toString().trim();
            if (!line.isEmpty()) {
                user.set(line);
                context.write(user, one);
            }
        }
    }

    public static class UserVisitReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        @Override
        protected void reduce(Text key, Iterable<IntWritable> values, Context context)
                throws IOException, InterruptedException {
            int sum = 0;
            for (IntWritable val : values) {
                sum += val.get();
            }
            context.write(key, new IntWritable(sum));
        }
    }

    public static void main(String[] args) throws Exception {
        if (args.length != 2) {
            System.err.println("Usage: UserVisitCount <input path> <output path>");
            System.exit(-1);
        }

        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "User Visit Count");

        job.setJarByClass(UserVisitCount.class);
        job.setMapperClass(UserVisitMapper.class);
        job.setReducerClass(UserVisitReducer.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

右击项目目录, 点击export-java-jar file, 编译为jar文件

Hadoop执行代码

使用

hadoop jar UserVisitCount.jar UserVisitCount /input/users.txt /output

将UserVisitCount.jar 文件上传到Hadoop上执行。

该命令含义为：hadoop jar jar文件位置 类名 输入文件 输出目录

执行结果如下:

hdfs dfs -ls /output查看到生成一个/output目录，包含如下文件：

_SUCCESS：表示成功

part-r-00000：包含执行结果

hdfs df s-cat /output/part-r-00000查看到用户访问次数统计结果

查看网页端的/output目录：

查看part-r-00000文件的内容, 可以看到已经成功执行, 并统计出用户访问次数结果

Spark Local模式部署

安装Spark

1. 获取spark-3.5.5-bin-hadoop3.tgz安装包。

   sudo wget -P /opt https://dlcdn.apache.org/spark/spark-3.5.5/spark-3.5.5-bin-hadoop3.tgz

2. 使用sudo tar -zvxf spark-3.5.5-bin-hadoop3.tgz -C /opt命令解压，指定安装目录为/opt。

sudo tar -zvxf spark-3.5.5-bin-hadoop3.tgz -C /opt

3. 安装完成后使用sudo mv spark-3.5.5-bin-hadoop3.tgz hadoop，

将spark-3.5.5-bin-hadoop3的名字改成spark。

授予Hadoop用户spark安装目录权限

sudo chown -R hadoop:hadoop /opt/spark

修改用户环境变量

vim ~/.bashrc

确保有如下环境变量，编辑完成保存后使用source ~/.bashrc使生效：

JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.432.b06-1.oe2403sp1.x86_64/jre
HADOOP_HOME=/opt/hadoop
HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
SPARK_HOME=/opt/spark
export PATH=$HADOOP_HOME/bin:$PATH:$JAVA_HOME/bin:$SPARK_HOME/bin

配置spark环境变量

1. 进入spark安装目录下的conf目录，复制一份spark-env.sh.template为spark-env.sh。

cp spark-env.sh.template spark-env.sh

2. 修改spark-env.sh为如下内容：

export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.432.b06-1.oe2403sp1.x86_64/jre
export HADOOP_CONF_DIR=/opt/hadoop/etc/hadoop
export SPARK_DIST_CLASSPATH=$(/opt/hadoop/bin/hadoop classpath)

使用自带Pi example计算PI值

run-example SparkPi 2>&1 | grep “Pi is roughly”

Spark完全分布式部署

修改spark环境变量

vi spark-env.sh

修改添加如下内容，设置spark的IP和端口、worker和Executor的内存和核心数、每个机器跑两个worker实例：

export SPARK_MASTER_IP=master
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_MEMORY=1g
export SPARK_WORKER_CORES=2
export SPARK_EXECUTOR_MEMORY=1g
export SPARK_EXECUTOR_CORES=2
export SPARK_WORKER_INSTANCES=2

修改workers文件

先把workers模板配置文件拷贝一份为workers:

cp workers.template workers

vi workers

编辑文件，设置workers为：

node1
node2

分发spark

在master执行如下命令：

scp -r /opt/spark node1:~
scp -r /opt/spark node2:~

该命令将spark安装目录分发给node1和node2的家目录

进入node1和node2，使用sudo mv spark /opt将spark安装目录移动到/opt

sudo mv spark /opt

启动spark

在master上cd $SPARK_HOME/sbin

cd $SPARK_HOME/sbin

执行./start-all.sh启动spark

./start-all.sh

使用jps，在master上可以看到Master，在node上可以看到两个Worker(因为之前配置每个机器两个worker实例)

监控-masrer:8080

Spark测试

在介绍提交命令之前，先说一下deploy模式。默认是client模式，你提交后在本地master上执行，结果在终端上可以看见，在master:8080页面是看不到driver执行的；cluster模式会在集群上执行driver，同时可以在master:8080页面监控到并查看到结果。

Spark-WordCount测试

执行如下指令，使用spark自带的wordcount程序计算词频，读取hdfs系统里的words.txt输入文件：

/opt/spark/bin/spark-submit \
 --class org.apache.spark.examples.JavaWordCount \
 --master spark://master:7077 \
 --deploy-mode cluster \
 /opt/spark/examples/jars/spark-examples_2.12-3.5.5.jar \
 hdfs://master:9000/input/words.txt 

网页端显示完成

点击网页端的stdout可以看到结果

SparkPi测试

执行如下命令，这是spark自带的pi值计算程序

$SPARK_HOME/bin/spark-submit \
 --class org.apache.spark.examples.SparkPi \
 --master spark://master:7077 \
 $SPARK_HOME/examples/jars/spark-examples_*.jar 10

10是迭代轮数，就是用10个任务来并行计算（每个任务各算一点，然后合并）。

迭代十次并给出pi值，结果如下：