Spark作为一个数据处理框架和计算引擎,被设计在所有常见的集群环境中运行, 在国内工作中主流的环境为Yarn,不过逐渐容器式环境也慢慢流行起来。接下来,我们就分别看看不同环境下Spark的运行
一、Local模式
所谓的Local模式,就是不需要其他任何节点资源就可以在本地执行Spark代码的环境,一般用于教学,调试,演示等,之前在IDEA中运行代码的环境我们称之为开发环境,不太一样。
1、解压缩文件
将spark-2.4.5-bin-without-hadoop-scala-2.12.tgz文件上传到/opt/software目录下(没有此目录得自己建,mkdir -p /opt/software),在software下并解压缩,放置在指定位置,路径中不要包含中文或空格,课件后续如果涉及到解压缩操作,不再强调。并用mv命令重命名为spark-local
tar -zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz -C /opt/module
cd /opt/module
mv /opt/module/spark-2.4.5-bin-without-hadoop-scala-2.12 /opt/module/spark-local
spark2.4.5默认不支持Hadoop3,可以采用多种不同的方式关联Hadoop3
(1)修改spark-local/conf/spark-env.sh文件,增加如下内容
SPARK_DIST_CLASSPATH=$(/opt/module/hadoop-3.1.3/bin/hadoop classpath)
(2)方式二(建议):除了修改配置文件外,也可以直接引入对应的Jar包
2、启动Local环境
(1)进入解压缩后的路径,执行指令
[atguigu@hadoop102 spark-local]$ bin/spark-shell --master local[*]
(2)启动成功后,可以输入网址进行Web UI监控页面访问
http://虚拟机地址:4040
3、命令行工具
cd /opt/module/spark-local/data/
在解压缩文件夹下的data目录中,添加word.txt文件。
[atguigu@hadoop102 data]$ vim word.txt
添加:
hello spark
hello scala
hello flink
spark
在命令行工具中执行如下代码指令(和IDEA中代码简化版一致)
scala> sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
4、退出本地模式
按键Ctrl+C或输入Scala指令
:quit
5、提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-2.4.5.jar \
10
-
–class表示要执行程序的主类
-
–master local[2] 部署模式,默认为本地模式,数字表示分配的虚拟CPU核数量
-
spark-examples_2.12-2.4.5.jar 运行的应用类所在的jar包
-
数字10表示程序的入口参数,用于设定当前应用的任务数量
二、Standalone模式
local本地模式毕竟只是用来进行练习演示的,真实工作中还是要将应用提交到对应的集群中去执行,这里我们来看看只使用Spark自身节点运行的集群模式,也就是我们所谓的独立部署(Standalone)模式。Spark的Standalone模式体现了经典的master-slave模式。
集群规划:
Linux1 | Linux2 | Linux3 | |
---|---|---|---|
Spark | Worker Master | Worker | Worker |
1、解压缩文件
将spark-2.4.5-bin-without-hadoop-scala-2.12.tgz文件上传到Linux并解压缩在指定位置
tar -zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz -C /opt/module
cd /opt/module
mv spark-2.4.5-bin-without-hadoop-scala-2.12 spark-standalone
spark2.4.5默认不支持Hadoop3,可以采用多种不同的方式关联Hadoop3
(1)方式一:修改spark-standalone/conf/spark-env.sh文件,增加如下内容
SPARK_DIST_CLASSPATH=$(/opt/module/hadoop-3.1.3/bin/hadoop classpath)
要先启动Hadoop才能用Spark
(2)方式二(建议):除了修改配置文件外,也可以直接引入对应的Jar包
2、修改配置文件
(1)进入解压缩后路径的conf目录,修改slaves.template文件名为slaves
mv slaves.template slaves
(2)修改slaves文件,添加work节点
[atguigu@hadoop102 conf]$ vim slaves
hadoop102
hadoop103
hadoop104
(3)修改spark-env.sh.template文件名为spark-env.sh
mv spark-env.sh.template spark-env.sh
(4)修改spark-env.sh文件,添加JAVA_HOME环境变量和集群对应的master节点
[atguigu@hadoop102 conf]$ vim spark-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_212
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
注意:7077端口,相当于hadoop3内部通信的8020端口
(5)分发spark-standalone目录
[atguigu@hadoop102 module]$ xsync spark-standalone
3、启动集群
(1)执行脚本命令
sbin/start-all.sh
(2)查看三台服务器运行进程
================ hadoop102 ===============
3685 Jps
3558 Worker
3389 Master
================ hadoop103 ===============
1671 Jps
1577 Worker
================ hadoop104 ===============
1740 Jps
1645 Worker
(3)查看Master资源监控Web UI界面: http://hadoop102:8080/
8080端口=>资源监控页面--Master
4040端口=>计算监控页面
4、提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-2.4.5.jar \
10
-
–class表示要执行程序的主类
-
–master spark://hadoop102:7077 独立部署模式,连接到Spark集群
-
spark-examples_2.12-2.4.5.jar 运行类所在的jar包
-
数字10表示程序的入口参数,用于设定当前应用的任务数量
执行任务时,会产生多个Java进程
执行任务时,默认采用服务器集群节点的总核数,每个节点内存1024M。
5、提交参数说明
在提交应用中,一般会同时一些提交参数
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
参数 | 解释 | 可选值举例 |
---|---|---|
–class | Spark程序中包含主函数的类 | |
–master | Spark程序运行的模式 | 本地模式:local[*]、spark://linux1:7077、 Yarn |
–executor-memory 1G | 指定每个executor可用内存为1G | 符合集群内存配置即可,具体情况具体分析。 |
–total-executor-cores 2 | 指定所有executor使用的cpu核数为2个 | |
–executor-cores | 指定每个executor使用的cpu核数 | |
application-jar | 打包好的应用jar,包含依赖。这个URL在集群中全局可见。 比如hdfs:// 共享存储系统,如果是file:// path,那么所有的节点的path都包含同样的jar | |
application-arguments | 传给main()方法的参数 |
6、配置历史服务
由于spark-shell停止掉后,集群监控hadoop102:4040页面就看不到历史任务的运行情况,所以开发时都配置历史服务器记录任务运行情况。
**注意:需要启动hadoop集群,HDFS上的directory目录需要提前存在。**
退出hadoop安全模式
hdfs dfsadmin -safemode leave
sbin/start-dfs.sh
[atguigu@hadoop102 conf]$ hdfs dfs -mkdir /directory
(1) 修改spark-defaults.conf.template文件名为spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf
(2)修改spark-default.conf文件,配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
(3)修改spark-env.sh文件, 添加日志配置
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory
-Dspark.history.retainedApplications=30"
-
参数1含义:WEBUI访问的端口号为18080
-
参数2含义:指定历史服务器日志存储路径
-
参数3含义:指定保存Application历史记录的个数,如果超过这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用数。
(4)分发配置文件
[atguigu@hadoop102 spark-standalone]$ xsync conf
(5)重新启动集群和历史服务
sbin/start-all.sh
sbin/start-history-server.sh
(6)重新执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-2.4.5.jar \
10
(7)查看历史服务:http://hadoop102:18080/
7、配置高可用(HA)
所谓的高可用是因为当前集群中的Master节点只有一个,所以会存在单点故障问题。所以为了解决单点故障问题,需要在集群中配置多个Master节点,一旦处于活动状态的Master发生故障时,由备用Master提供服务,保证作业可以继续执行。这里的高可用一般采用Zookeeper设置
Linux1 | Linux2 | Linux3 | |
---|---|---|---|
Spark | Master Zookeeper Worker | Master Zookeeper Worker | Zookeeper Worker |
(1)停止集群
sbin/stop-all.sh
(2) 启动Zookeeper
[atguigu@hadoop102 bin]$ zk.sh start
zk.sh脚本:
#!/bin/bash
case $1 in
start)
for i in hadoop102 hadoop103 hadoop104;do
echo "================ $i ==============="
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh start"
done
;;
stop)
for i in hadoop102 hadoop103 hadoop104;do
echo "================ $i ==============="
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh stop"
done
;;
status)
for i in hadoop102 hadoop103 hadoop104;do
echo "================ $i ==============="
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh status"
done
;;
esac
(3)修改spark-env.sh文件添加如下配置
注释如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
SPARK_MASTER_WEBUI_PORT=8989
添加如下内容:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104
-Dspark.deploy.zookeeper.dir=/spark"
(4)分发配置文件
xsync conf/
(5)启动集群
sbin/start-all.sh
(6)查看web页面:hadoop102:8989
(7)启动hadoop102的单独Master节点,此时hadoop102节点Master状态处于备用状态
[atguigu@hadoop103 spark-standalone]$ sbin/start-master.sh
(8)查看web页面:hadoop103:8989
(9)提交应用到高可用集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-2.4.5.jar \
10
(10)停止hadoop102的Master资源监控进程
(11)查看hadoop103的Master 资源监控Web UI,稍等一段时间后hadoop103节点的Master状态提升为活动状态
三、Yarn模式
独立部署(Standalone)模式由Spark自身提供计算资源,无需其他框架提供资源。这种方式降低了和其他第三方资源框架的耦合性,独立性非常强。但是你也要记住,Spark主要是计算框架,而不是资源调度框架,所以本身提供的资源调度并不是它的强项,所以还是和其他专业的资源调度框架集成会更靠谱一些。所以接下来我们来学习在强大的Yarn环境下Spark是如何工作的(其实是因为在国内工作中,Yarn使用的非常多)。
1、解压缩文件
将spark-2.4.5-bin-without-hadoop-scala-2.12.tgz文件上传到Linux并解压缩在指定位置
tar -zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz -C /opt/module
cd /opt/module
mv spark-2.4.5-bin-without-hadoop-scala-2.12 spark-yarn
spark2.4.5默认不支持Hadoop3,可以采用多种不同的方式关联Hadoop3
(1)方式一:修改spark-standalone/conf/spark-env.sh文件,增加如下内容
SPARK_DIST_CLASSPATH=$(/opt/module/hadoop-3.1.3/bin/hadoop classpath)
要先启动Hadoop才能用Spark
(2)方式二(建议):除了修改配置文件外,也可以直接引入对应的Jar包
2、修改配置文件
(1) 修改hadoop配置文件/opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml, 并分发
<!--是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
(2) 修改conf/spark-env.sh,添加JAVA_HOME和YARN_CONF_DIR配置
mv spark-env.sh.template spark-env.sh
。。。
export JAVA_HOME=/opt/module/jdk1.8.0_212
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
3、启动HDFS以及YARN集群
#102上
[atguigu@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
#103上
[atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
4、提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-2.4.5.jar \
10
如果出现如下错误:
Caused by: org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.hdfs.server.namenode.SafeModeException): Cannot create directory /user/atguigu/.sparkStaging/application_1591070627301_0001. Name node is in safe mode.
得退出hadoop安全模式
hdfs dfsadmin -safemode leave
然后再提交应用
最后显示结果为
查看http://192.168.117.103:8088/页面,点击History,查看历史页面
5、配置历史服务器
**注意:需要启动hadoop集群,HDFS上的directory目录需要提前存在。**
退出hadoop安全模式
hdfs dfsadmin -safemode leave
sbin/start-dfs.sh
[atguigu@hadoop102 conf]$ hdfs dfs -mkdir /directory
(1) 修改spark-defaults.conf.template文件名为spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf
(2)修改spark-default.conf文件,配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
(3)修改spark-env.sh文件, 添加日志配置
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory
-Dspark.history.retainedApplications=30"
-
参数1含义:WEBUI访问的端口号为18080
-
参数2含义:指定历史服务器日志存储路径
-
参数3含义:指定保存Application历史记录的个数,如果超过这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用数。
(4) 修改spark-defaults.conf
spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080
(5)重新启动集群和历史服务
sbin/start-history-server.sh
(6)重新执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-2.4.5.jar \
10
(7)Web页面查看日志:http://hadoop102:18080/
Web页面查看日志:http://hadoop103:8088
四、Windows模式
每次都需要启动虚拟机,启动集群,这是一个比较繁琐的过程,并且会占大量的系统资源,导致系统执行变慢,不仅仅影响学习效果,也影响学习进度,Spark非常暖心地提供了可以在windows系统下启动本地集群的方式,这样,在不使用虚拟机的情况下,也能学习Spark的基本使用
1、解压缩文件
将文件spark-2.4.5-bin-without-hadoop-scala-2.12.tgz解压缩到无中文无空格的路径中,将hadoop3依赖jar包拷贝到jars目录中。
引入jar包
2、启动本地环境
(1)执行解压缩文件路径下bin目录中的spark-shell.cmd文件,启动Spark本地环境
(2) 在bin目录中创建input目录,并添加word.txt文件, 在命令行中输入脚本代码
sc.textFile("input/word.txt").flatMap(_.split(",")).map((_,1)).reduceByKey(_+_).collect
3、命令行提交应用
在F:\spark-2.4.5\bin 目录下cmd 在打开cmd 执行如下命令:
spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-2.4.5.jar 10