Spark08——Spark on yarn

配置安装

需要提前配置好hadoop集群，以及Spark。之前均已安装。
之后启动HDFS及yarn集群。
配置指向HADOOP_CONF_DIR或YARN_CONF_DIR的指向Hadoop集群的（客户端）配置文件的目录。

运行模式

Spark on yarn运行模式分为两种，cluster模式和client模式。
在YARN模式下，资源管理器的地址从Hadoop配置中获取。因此，–master参数是yarn。

cluster模式

在cluster模式下，Spark驱动程序在应用程序主进程内运行，该进程由群集上的YARN管理，客户端可以在启动应用程序后消失。
官网案例计算PI

spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 1 \
/export/servers/spark/examples/jars/spark-examples_2.11-2.0.2.jar \
10

client模式

在client模式下，驱动程序在客户端进程中运行，应用程序主服务器仅用于从YARN请求资源。
spark-submit --class org.apache.spark.examples.SparkPi
–master yarn
–deploy-mode client
–driver-memory 1g
–executor-memory 512m
–executor-cores 1
/export/servers/spark/examples/jars/spark-examples_2.11-2.0.2.jar
10

spark-shell必须使用client模式
spark-shell --master yarn --deploy-mode client

cluster模式和client模式的区别

cluster模式：
Driver程序在YARN中运行，应用的运行结果不能在客户端显示。
所以最好运行那些将结果最终保存在外部存储介质（如HDFS、Redis、Mysql）而非stdout输出的应用程序，客户端的终端显示的仅是作为YARN的job的简单运行状况。

client模式：
Driver运行在Client上，应用程序运行结果会在客户端显示。
所有适合运行结果有输出的应用程序（如spark-shell）。

原理

cluster模式

Spark Driver首先作为一个ApplicationMaster在YARN集群中启动，客户端提交给ResourceManager的每一个job都会在集群的NodeManager节点上分配一个唯一的ApplicationMaster，由该ApplicationMaster管理全生命周期的应用。具体过程：

1. 由client向ResourceManager提交请求，并上传jar到HDFS上，主要向ResourceManager请求资源。
   这期间包括四个步骤：
   a).连接到ResourceManager
   b).从ResourceManager的ASM（ApplicationsManager ）中获得metric、queue和resource等信息。
   c). upload app jar and spark-assembly jar
   d).设置运行环境和container上下文（launch-container.sh等脚本)

2. ResourceManager为该应用程序分配第一个Container，创建Spark ApplicationMaster（每个SparkContext都有一个ApplicationMaster）；

3. NodeManager 启动ApplicationMaster，并向ResourceManager注册；

4. ApplicationMaster从HDFS中找到jar文件，启动SparkContext、DAGscheduler和YARN Cluster Scheduler

5. ApplicationMaster 向ResourceManager注册申请container资源

6. ResourceManager 通知NodeManager分配Container（每个container对应一个executor）

7. Spark ApplicationMaster直接和container（executor）进行交互，完成这个分布式任务。

client模式

在client模式下，Driver运行在Client上，通过ApplicationMaster向ResourceManager获取资源。
在哪台机器提交的任务，哪台机器就是Driver端。本地Driver负责与所有的executor container进行交互，并将最后的结果汇总。结束掉Client端，相当于kill掉这个spark应用，Driver端也即死亡。
一般来说，如果运行的结果仅仅返回到terminal上时需要配置这个模式。
客户端的Driver将应用提交给Yarn后，Yarn会先后启动ApplicationMaster和executor，另外ApplicationMaster和executor都是装载在container里运行，container默认的内存是1G，ApplicationMaster分配的内存是driver- memory，executor分配的内存是executor-memory。同时，因为Driver在客户端，所以程序的运行结果可以在客户端显示，Driver以进程名为SparkSubmit的形式存在。

如图：结束掉客户端，会报无法连接Driver