1.机器准备
准备三台Linux服务器,安装好JDK1.8。
2.下载Spark安装包
上传解压安装包:spark-2.1.1-bin-hadoop2.7.tgz 安装包到Linux上
解压安装包到指定位置:tar -zxvf /opt/software/spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/
3.配置Spark【Standalone】
Spark的部署模式有Local、Local-Cluster、Standalone、Yarn、Mesos,我们选择最具代表性的Standalone集群部署模式(在下一节我们会具体讲解Spark的部署模式)。
3.1 进入到Spark安装目录:/opt/module/spark-2.1.1-bin-hadoop2.7/conf;
3.2 将slaves.template复制为slaves, 修改slave文件,将work的hostname输入;
[hadoop@hadoop102 conf]$ mv slaves.template slaves
[hadoop@hadoop102 conf]$ vim slaves
# 里面的内容原来为localhost
hadoop102
hadoop103
Hadoop104
3.3 将spark-env.sh.template复制为spark-env.sh,修改spark-env.sh文件,添加如下配置:
# 把SPARK_HOME/conf/下的spark-env.sh.template文件复制为spark-env.sh
[hadoop@hadoop102 apps]$ cd spark-2.2.0/conf
[hadoop@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
# 修改spark-env.sh配置文件,添加如下内容
[hadoop@hadoop01 conf]$ vim spark-env.sh
# 配置JAVA_HOME,一般来说,不配置也可以,但是可能会出现问题,还是配上吧
export JAVA_HOME=/usr/local/java/jdk1.8.0_73
# 一般来说,spark任务有很大可能性需要去HDFS上读取文件,所以配置上
# 如果说你的spark就读取本地文件,也不需要yarn管理,不用配
export HADOOP_CONF_DIR=/home/hadoop/apps/hadoop-2.7.4/etc/hadoop
# 设置Master的主机名
export SPARK_MASTER_HOST=hadoop01
# 提交Application的端口,默认就是这个,万一要改呢,改这里
export SPARK_MASTER_PORT=7077
# 每一个Worker最多可以使用的cpu core的个数,我虚拟机就一个...
# 真实服务器如果有32个,你可以设置为32个
export SPARK_WORKER_CORES=1
# 每一个Worker最多可以使用的内存,我的虚拟机就2g
# 真实服务器如果有128G,你可以设置为100G
export SPARK_WORKER_MEMORY=1g
3.4 将配置好的Spark文件分发到其他节点上;
3.5 Spark集群配置完毕;目前是1个Master,2个Work,Hadoop102上启动Spark集群:/opt/module/spark-2.1.1-bin-hadoop2.7/sbin/start-all.sh, 启动后执行jps命令,主节点上有Master进程,其他子节点上有Work进程,登录Spark管理界面查看集群状态(主节点):http://hadoop102:8080/,到此为止,Spark集群安装完毕。
4.配置Job History Server【Standalone】
4.1 进入到Spark安装目录:/opt/module/spark-2.1.1-bin-hadoop2.7/conf
4.2 将spark-default.conf.template复制为spark-default.conf,修改spark-default.conf文件,开启Log:
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop103:9000/directory
注意:HDFS上的目录需要提前存在
4.3 修改spark-env.sh文件,添加如下配置:
参数描述:
spark.eventLog.dir:Application在运行过程中所有的信息均记录在该属性指定的路径下;
spark.history.ui.port=4000 调整WEBUI访问的端口号为4000
spark.history.fs.logDirectory=hdfs://hadoop103:9000/directory 配置了该属性后,在start-history-server.sh时就无需再显式的指定路径,Spark History Server页面只展示该指定路径下的信息
spark.history.retainedApplications=3 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。
4.4 将配置好的Spark文件拷贝到其他节点上
注意:启动后执行别忘了启动HDFS
4.5 /opt/module/spark-2.1.1-bin-hadoop2.7/sbin/start-history-server.sh
到此为止,Spark History Server安装完毕.
注意:如果遇到Hadoop HDFS的写入权限问题:org.apache.hadoop.security.AccessControlException
解决方案: 在hdfs-site.xml中添加如下配置,关闭权限验证
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
5.配置Spark HA【Standalone】
集群部署完了,但是有一个很大的问题,那就是Master节点存在单点故障,要解决此问题,就要借助zookeeper,并且启动至少两个Master节点来实现高可靠,配置方式比较简单:
Spark集群规划:hadoop102,hadoop103 是Master;hadoop104是Worker
5.1 安装配置Zookeeper集群,并启动Zookeeper集群
5.2 停止spark所有服务,修改配置文件spark-env.sh,在该配置文件中删掉SPARK_MASTER_IP并添加如下配置:
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=zk1,zk2,zk3
-Dspark.deploy.zookeeper.dir=/spark"
5.3 将配置文件同步到所有节点。
5.4 在hadoop102上执行sbin/start-all.sh脚本,启动集群并启动第一个master节点,然后在hadoop103上执行sbin/start-master.sh启动第二个master节点。
5.5 程序中spark集群的访问地址需要改成:bin/spark-shell --master spark://hadoop102:7077,spark://hadoop103:7707
6. 配置Spark【Yarn】
6.1 修改Hadoop配置下的yarn-site.xml:
<configuration>
<!--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>
</configuration>
6.2 修改Spark-env.sh 添加:让Spark能够发现Hadoop配置文件
HADOOP_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop
YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop
6.3 启动spark history server,可以查看日志。