Spark on YARN环境部署(完整版)

前言

本篇的环境是干净的，事先没有安装过spark。节点共有node1，node2，node3三台，已完成各种集群化准备。

一、部署python环境

1）首先在node1上部署python环境，参考以下文章：
linux安装Anaconda——看里面的 三、Anaconda安装（Linux）

2）然后在node2 和 node3上同样执行以上步骤。

二、spark安装部署

前提条件

• python推荐3.8版本
• JDK1.8版本
• hadoop3.x以上

下载网址：https://dlcdn.apache.org/spark
我目前使用的版本是spark-3.2.0-bin-hadoop3.2.tgz，下载链接为：
链接：https://pan.baidu.com/s/1ZmarnyvBzHESBMXRBnri4g?pwd=d094
提取码：d094

1、上传安装包

将文件上传到安装路径中，我这里是/export/servers。

2、解压

在node1上执行

tar -zxvf spark-3.2.0-bin-hadoop3.2.tgz 

名字有点长，我们设置个别名，当然你也可以用mv命令进行改名

#设置别名（快捷方式）
ln -s /export/servers/spark-3.2.0-bin-hadoop3.2 /export/servers/spark-3.2.0

#重命名
mv spark-3.2.0-bin-hadoop3.2 spark-3.2.0

3、配置环境变量

Spark环境变量的内容就5个：

• SPARK_HOME: 表示Spark安装路径在哪里
• PYSPARK_PYTHON: 表示Spark想运行Python程序, 那么去哪里找python执行器
• JAVA_HOME: 告知Spark Java在哪里
• HADOOP_CONF_DIR: 告知Spark Hadoop的配置文件在哪里
• HADOOP_HOME: 告知Spark Hadoop安装在哪里

1）修改配置文件

vi /etc/profile

#添加以下内容，具体安装路径以及版本号以实际为准

export JAVA_HOME=/export/servers/jdk1.8.0_241
export HADOOP_HOME=/export/servers/hadoop-3.3.0
export SPARK_HOME=/export/servers/spark-3.2.0
export PYSPARK_PYTHON=/export/servers/anaconda3/envs/pyspark/bin/python3.8
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

#使文件生效

source /etc/profile

2）修改Bash shell配置文件

vi /root/.bashrc

#这里主要设置 java路径 和 python执行器路径。

#使文件生效

source /root/.bashrc

4、同步环境变量

主要是/etc/profile 和 /root/.bashrc 这两个文件, 我们可以直接将node1上的同步过去。

scp /etc/profile root@node2:/etc/
scp /etc/profile root@node2:/etc/

scp /root/.bashrc root@node2:/root/
scp /root/.bashrc root@node3:/root/

三、修改spark内部配置文件

cd /export/servers/spark-3.2.0/conf

1、workers

mv workers.template workers
vi workers

#追加以下内容

node1
node2
node3

2、spark-env.sh

mv spark-env.sh.template spark-env.sh

#追加以下内容，注意你的安装路径、节点名 有没有和我的不同

## 设置JAVA安装目录
JAVA_HOME=/export/servers/jdk1.8.0_241

## HADOOP软件配置文件目录，读取HDFS上文件和运行YARN集群
HADOOP_CONF_DIR=/export/servers/hadoop-3.3.0/etc/hadoop
YARN_CONF_DIR=/export/servers/hadoop-3.3.0/etc/hadoop

## 指定spark老大Master的IP和提交任务的通信端口
# 告知Spark的master运行在哪个机器上
export SPARK_MASTER_HOST=node1
# 告知sparkmaster的通讯端口
export SPARK_MASTER_PORT=7077
# 告知spark master的 web ui端口
SPARK_MASTER_WEBUI_PORT=8080

# worker cpu可用核数
SPARK_WORKER_CORES=1
# worker可用内存
SPARK_WORKER_MEMORY=1g
# worker的工作通讯地址
SPARK_WORKER_PORT=7078
# worker的 webui地址
SPARK_WORKER_WEBUI_PORT=8081

## 设置历史服务器
# 配置的意思是  将spark程序运行的历史日志 存到hdfs的/sparklog文件夹中
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://node1:8020/sparklog/ -Dspark.history.fs.cleaner.enabled=true"

3、创建历史记录存放目录

刚才配置信息里的hdfs://node1:8020/sparklog/，指定了用hdfs系统里的sparklog来存放spark程序运行日志信息，但这个目录还不存在，需要创建。

#启动hdfs和yarn
start-all.sh

hadoop fs -mkdir /sparklog
hadoop fs -chmod 777 /sparklog

#查看生成结果
hadoop fs -ls /

4、spark-defaults.conf

mv spark-defaults.conf.template spark-defaults.conf

vi spark-defaults.conf

#追加如下内容

# 开启spark的日期记录功能
spark.eventLog.enabled     true
# 设置spark日志记录的路径
spark.eventLog.dir     hdfs://node1:8020/sparklog/ 
# 设置spark日志是否启动压缩
spark.eventLog.compress     true

5、log4j.properties

这一步是可选操作，但还是建议修改。因为Spark会疯狂输出日志, 设置级别为WARN时，就只输出警告和错误日志, 而不是一堆信息。

mv log4j.properties.template log4j.properties
vi log4j.properties

按照下图去修改内容

四、同步spark

cd /export/servers/
scp -r spark-3.2.0 root@node2:$PWD
scp -r spark-3.2.0 root@node3:$PWD

五、启动历史服务

在node1上进行操作

cd spark-3.2.0
sbin/start-history-server.sh

六、测试集群

我们以启动客户端进程来检验Spark on YARN 集群是否可用。

在node1上执行

#以yarn模式启动pyspark
bin/pyspark --master yarn

提交一个子任务

sc.parallelize([1,2,3,4,5]).map(lambda x: x*10).collect()

代码执行成功，说明集群可用。