文章预览:
部署Spark集群大体上分为两种模式:单机模式与集群模式
大多数分布式框架都支持单机模式,方便开发者调试框架的运行环境。但是在生产环境中,并不会使用单机模式。因此,后续直接按照集群模式部署Spark集群。
下面详细列举了Spark目前支持的部署模式。
(1)Local模式:在本地部署单个Spark服务
(2)Standalone模式:Spark自带的任务调度模式。(国内常用)
(3)YARN模式:Spark使用Hadoop的YARN组件进行资源与任务调度。(国内常用)
(4)Mesos模式:Spark使用Mesos平台进行资源与任务的调度
Spark安装地址
1)官网地址:http://spark.apache.org/
2)文档查看地址:https://spark.apache.org/docs/3.0.0/
3)下载地址:https://spark.apache.org/downloads.html
https://archive.apache.org/dist/spark/
Local模式
Local模式就是运行在一台计算机上的模式,通常就是用于在本机上练手和测试。
安装使用
1)上传并解压Spark安装包
[linux@node1 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
[linux@node1 module]$ mv spark-3.0.0-bin-hadoop3.2/ spark-local
2)官方求PI案例
[linux@node1 spark-local]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
–class:表示要执行程序的主类;
–master local[2]
(1)local: 没有指定线程数,则所有计算都运行在一个线程当中,没有任何并行计算
(2)local[K]:指定使用K个Core来运行计算,比如local[2]就是运行2个Core来执行
(3)local[*]:默认模式。自动帮你按照CPU最多核来设置线程数。比如CPU有8核,Spark帮你自动设置8个线程计算
spark-examples_2.12-3.0.0.jar:要运行的程序
10:要运行程序的输入参数(计算圆周率π的次数,计算次数越多,准确率越高)
可以查看spark-submit所有参数:
[linux@node1 spark-local]$ bin/spark-submit
3)结果展示
该算法是利用蒙特•卡罗算法求PI
官方WordCount案例
1)需求:读取多个输入文件,统计每个单词出现的总次数。
2)代码实现:
(1)准备文件
[linux@node1 spark-local]$ mkdir input
[linux@node1 input]$ vim yes.txt
hello world
hello yes
yes shier
shier tongxue
shier tongxue
(2)启动spark-shell
[linux@node1 spark-local]$ bin/spark-shell
21/07/19 09:47:38 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://node1:4040
Spark context available as 'sc' (master = local[*], app id = local-1626659266303).
Spark session available as 'spark'.
Welcome to
____ __
/ __/__ ___ _____/ /__
_\ \/ _ \/ _ `/ __/ '_/
/___/ .__/\_,_/_/ /_/\_\ version 3.0.0
/_/
Using Scala version 2.12.10 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_212)
Type in expressions to have them evaluated.
Type :help for more information.
scala>
注意:sc是SparkCore程序的入口;spark是SparkSQL程序入口;master = local[*]表示本地模式运行,http://node1:4040表示Spark当前执行的任务页面查看端口
(3)再开启一个node1远程连接窗口,发现了一个SparkSubmit进程
[linux@node1 ~]$ jps
3393 Jps
3166 SparkSubmit
运行任务方式说明:spark-submit,是将jar上传到集群,执行Spark任务;spark-shell,相当于命令行工具,本身也是一个Application。
(4)登录node1:4040,查看程序运行情况(注意:spark-shell窗口关闭掉,则node1:4040页面关闭)
说明:本地模式下,默认的调度器为FIFO。
(5)运行WordCount程序
scala>sc.textFile("/opt/module/spark-local/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((yes,2), (shier,3), (hello,2), (tongxue,2), (world,1))
注意:只有collect开始执行时,才会加载数据。
可登录node1:4040查看程序运行结果
集群角色
1.Master和Worker集群资源管理
Master和Worker是Spark的守护进程、集群资源管理者,即Spark在特定模式下正常运行所必须的进程。
2.Driver和Executor任务的管理者
Driver和Executor是临时程序,当有具体任务提交到Spark集群才会开启的程序。
Standalone模式
Standalone模式是Spark自带的资源调动引擎,构建一个由Master + Slave构成的Spark集群,Spark运行在集群中。
这个要和Hadoop中的Standalone区别开来。这里的Standalone是指只用Spark来搭建一个集群,不需要借助Hadoop的Yarn和Mesos等其他框架。
3.1 安装使用
1)集群规划
node1 | node2 | node3 |
---|---|---|
Master Worker | Worker | Worker |
2)再解压一份Spark安装包,并修改解压后的文件夹名称为spark-standalone
[linux@node1 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
[linux@node1 module]$ mv spark-3.0.0-bin-hadoop3.2/ spark-standalone
3)进入Spark的配置目录/opt/module/spark-standalone/conf
[linux@node1 spark-standalone]$ cd conf
4)修改slave文件,添加work节点:
[linux@node1 conf]$ mv slaves.template slaves
[linux@node1 conf]$ vim slaves
node1
node2
node3
5)修改spark-env.sh文件,添加master节点
[linux@node1 conf]$ mv spark-env.sh.template spark-env.sh
[linux@node1 conf]$ vim spark-env.sh
SPARK_MASTER_HOST=node1
SPARK_MASTER_PORT=7077
6)分发spark-standalone包
[linux@node1 module]$ xsync spark-standalone/
7)启动spark集群
[linux@node1 module]$ cd spark-standalone/
查看三台服务器运行进程
[linux@node1 spark-standalone]$ xcall jps
==============node1==============
5385 Worker
5501 Jps
5310 Master
==============node2==============
5011 Worker
5128 Jps
==============node3==============
5010 Worker
5127 Jps
注意:如果遇到 “JAVA_HOME not set” 异常,可以在sbin目录下的spark-config.sh 文件中加入如下配置:
export JAVA_HOME=XXXX
8)网页查看:node1:8080(master web的端口,相当于hadoop的8088端口)
目前还看不到任何任务的执行信息。
9)官方求PI案例
[linux@node1 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
参数:–master spark://node1:7077指定要连接的集群的master
10)页面查看http://node1:8080/,发现执行本次任务,默认采用三台服务器节点的总核数3核,每个节点内存1024M。
8080:master的webUI
4040:application的webUI的端口号
3.2参数说明
1)配置Executor可用内存为2G,使用CPU核数为2个
[linux@node1 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node1:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
2)页面查看http://node1:8080/
3)基本语法
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
4)参数说明
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://node1:7077、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 | |
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 |
3.3配置历史服务器
由于spark-shell停止掉后,node1:4040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。
1)修改spark-default.conf.template名称
[linux@node1 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(写),并分发
[linux@node1 conf]$ vim spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://node1:9820/directory
[linux@node1 conf]$ xsync spark-defaults.conf
注意:需要启动Hadoop集群,HDFS上的目录需要提前存在。
[linux@node1 hadoop-3.1.3]$ sbin/start-dfs.sh
[linux@node1 hadoop-3.1.3]$ hadoop fs -mkdir /directory
3)修改spark-env.sh文件,添加如下配置:
[linux@node1 conf]$ vim spark-env.sh
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://node1:9820/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(读)
#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
[linux@node1 conf]$ xsync spark-env.sh
5)启动历史服务
[linux@node1 spark-standalone]$ sbin/start-history-server.sh
6)再次执行任务
[linux@node1 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node1:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
7)查看Spark历史服务地址:node1:18080
3.4配置高可用(HA)
1)高可用原理
2)配置高可用
(0)停止集群
[linux@node1 spark-standalone]$ sbin/stop-all.sh
(1)Zookeeper正常安装并启动
[linux@node1 spark-standalone]$ zookeeper.sh start
(2)修改spark-env.sh文件添加如下配置:
[linux@node1 conf]$ vi spark-env.sh
#注释掉如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
#添加上如下内容。配置由Zookeeper管理Master,在Zookeeper节点中自动创建/spark目录,用于管理:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=node1,ndoe2,node2
-Dspark.deploy.zookeeper.dir=/spark"
#添加如下代码
#Zookeeper3.5的AdminServer默认端口是8080,和Spark的WebUI冲突
export SPARK_MASTER_WEBUI_PORT=8989
(3)分发配置文件
[linux@node1 conf]$ xsync spark-env.sh
(4)在node1上启动全部节点
[linux@node1 spark-standalone]$ sbin/start-all.sh
(5)在node2上单独启动master节点
[linux@node2 spark-standalone]$ sbin/start-master.sh
(6)在启动一个node1窗口,将/opt/module/spark-local/input数据上传到hadoop集群的/input目录
[linux@node1 spark-standalone]$ hadoop fs -put /opt/module/spark-local/input/ /input
(7)Spark HA集群访问
[linux@node1 spark-standalone]$ bin/spark-shell \
--master spark://node1:7077,node2:7077 \
--executor-memory 2g \
--total-executor-cores 2
参数:–master spark://node1:7077,node2:7077指定要连接的集群的master
(8)执行WordCount程序
scala> sc.textFile("hdfs://node1:9820/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hello,2), (tongxue,2), (world,1), (yes,2), (shier,3))
3)高可用测试
(1)查看node1的master进程
[linux@node1 software]$ jps
8996 QuorumPeerMain
9460 SparkSubmit
7479 NameNode
9287 Worker
7610 DataNode
9195 Master
9531 CoarseGrainedExecutorBackend
9661 Jps
(2)Kill掉hadoop102的master进程,页面中观察http://node2:8989/的状态是否切换为active。
[linux@node1 software]$ kill -9 9195
(3)再启动hadoop102的master进程
[linux@node1 spark-standalone]$ sbin/start-master.sh
3.5运行流程
Spark有standalone-client和standalone-cluster两种模式,主要区别在于:Driver程序的运行节点。
1)客户端模式
[linux@node1 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node1:7077,node2:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
–deploy-mode client,表示Driver程序运行在本地客户端
2)集群模式模式
[linux@node1 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
–deploy-mode cluster,表示Driver程序运行在集群
(1)查看http://node1:8989/页面,点击Completed Drivers里面的Worker
(2)跳转到Spark Worker页面,点击Finished Drivers中Logs下面的stdout
(3)最终打印结果如下
注意:在测试Standalone模式,cluster运行流程的时候,阿里云用户访问不到Worker,因为Worker是从Master内部跳转的,这是正常的,实际工作中我们不可能通过客户端访问的,这些端口对外都会禁用,需要的时候会通过授权到Master访问Worker
Yarn模式
Spark客户端直接连接Yarn,不需要额外构建Spark集群。
4.1安装使用
0)停止Standalone模式下的spark集群
[linux@node1 spark-standalone]$ sbin/stop-all.sh
[linux@node1 spark-standalone]$ zk.sh stop
[linux@node2 spark-standalone]$ sbin/stop-master.sh
1)为了防止和Standalone模式冲突,再单独解压一份spark
[linux@node1 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
2)进入到/opt/module目录,修改spark-3.0.0-bin-hadoop3.2名称为spark-yarn
[linux@node1 module]$ mv spark-3.0.0-bin-hadoop3.2/ spark-yarn
3)修改hadoop配置文件/opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml,添加如下内容
因为测试环境虚拟机内存较少,防止执行过程进行被意外杀死,做如下配置
[linux@node1 hadoop]$ vim yarn-site.xml
<!--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>
4)分发配置文件
[linux@node1 conf]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml
5)修改/opt/module/spark-yarn/conf/spark-env.sh,添加YARN_CONF_DIR配置,保证后续运行任务的路径都变成集群路径
[linux@node1 conf]$ mv spark-env.sh.template spark-env.sh
[linux@node1 conf]$ vim spark-env.sh
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
6)启动HDFS以及YARN集群
[linux@node1 hadoop-3.1.3]$ sbin/start-dfs.sh
[linux@node2 hadoop-3.1.3]$ sbin/start-yarn.sh
7)执行一个程序
[linux@node1 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
参数:–master yarn,表示Yarn方式运行;–deploy-mode表示客户端方式运行程序
8)如果运行的时候,抛出如下异常ClassNotFoundException:com.sun.jersey.api.client.config.ClientConfig
-原因分析:Spark2中jersey版本是2.22,但是yarn中还需要依赖1.9,版本不兼容
-解决方式:在yarn-site.xml中,添加
<property>
<name>yarn.timeline-service.enabled</name>
<value>false</value>
</property>
9)查看node2:8088页面,点击History,查看历史页面
思考:目前是Hadoop的作业运行日志展示,如果想获取Spark的作业运行日志,怎么办?
4.2配置历史服务器
由于是重新解压的Spark压缩文件,所以需要针对Yarn模式,再次配置一下历史服务器。
1)修改spark-default.conf.template名称
[linux@node1 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(写)
[linux@node1 conf]$ vi spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://node1:9820/directory
3)修改spark-env.sh文件,添加如下配置:
[linux@node1 conf]$ vi spark-env.sh
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://node1:9820/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。
2.5.3 配置查看历史日志
为了从Yarn上关联到Spark历史服务器,需要配置关联路径。
1)修改配置文件/opt/module/spark-yarn/conf/spark-defaults.conf
添加如下内容:
spark.yarn.historyServer.address=node1:18080
spark.history.ui.port=18080
2)重启Spark历史服务
[linux@node1 spark-yarn]$ sbin/stop-history-server.sh
[linux@node1 spark-yarn]$ sbin/start-history-server.sh
3)提交任务到Yarn执行
[linux@node1 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
4)Web页面查看日志:http://node2:8088/cluster
点击“history”跳转到http://node1:18080/
4.3运行流程
Spark有yarn-client和yarn-cluster两种模式,主要区别在于:Driver程序的运行节点。
yarn-client:Driver程序运行在客户端,适用于交互、调试,希望立即看到app的输出。
yarn-cluster:Driver程序运行在由ResourceManager启动的APPMaster适用于生产环境。
1)客户端模式(默认)
[linux@node1 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
2)集群模式
[linux@node1 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
(1)查看http://node2:8088/cluster页面,点击History按钮,跳转到历史详情页面
(2)http://node1:18080点击Executors->点击driver中的stdout
注意:如果在yarn日志端无法查看到具体的日志,则在yarn-site.xml中添加如下配置并启动Yarn历史服务器
<property>
<name>yarn.log.server.url</name>
<value>http://node1:19888/jobhistory/logs</value>
</property>
注意:hadoop历史服务器也要启动 mr-jobhistory-daemon.sh start historyserver
Mesos模式(了解)
Spark客户端直接连接Mesos;不需要额外构建Spark集群。国内应用比较少,更多的是运用Yarn调度。
几种模式对比
模式 | Spark安装机器数 | 需启动的进程 | 所属者 |
---|---|---|---|
Local | 1 | 无 | Spark |
Standalone | 3 | Master及Worker | Spark |
Yarn | 1 | Yarn及HDFS | Hadoop |
端口号总结
1)Spark查看当前Spark-shell运行任务情况端口号:4040
2)Spark Master内部通信服务端口号:7077 (类比于Hadoop的8020(9000)端口)
3)Spark Standalone模式Master Web端口号:8080(类比于Hadoop YARN任务运行情况查看端口号:8088)
4)Spark历史服务器端口号:18080 (类比于Hadoop历史服务器端口号:19888)