参考链接
- https://www.bilibili.com/video/BV11A411L7CK?p=11
Spark运行环境
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
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。在IDEA中运行代码的环境称为开发环境,不一样
-
可以在命令行中输入spark-shell启动
-
启动成功后,可以输入网址进行Web UI监控页面访问
-
按Ctrl+C或输入Scala指令:quit退出本地模式
提交应用
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,此处可以更换为自己写的应用程序
- –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_2.12-3.0.0.jar运行的应用类所在的jar包,实际使用时,可以设定为自己打的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
Standalone模式
local本地模式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。只使用Spark自身节点运行的集群模式,就是所谓的独立部署(Standalone)模式。Spark的Standalone模式体现了经典的master-slave模式
集群规划:
修改配置文件
-
进入解压缩后的conf目录,修改slavers.template文件名为slaves
-
修改slaves文件,添加work节点
linux1
linux2
linux3
-
修改spark-env.sh.template文件名为spark-env.sh
-
修改spark-env.sh,添加JAVA_HOME环境变量和集群对应的master节点
export JAVA_HOME=/opt/module/jdk1.8.0_144
SPARK_MASTER_HOST=linux1
SPARK_MASTER_PORT=7077
注意:7077端口,相当于hadoop3内部通信的8020端口,此处的端口需要确认自己的Hadoop配置
- 分发spark-standalone目录
xsync spark-standalone
启动集群
- 执行脚本命令
sbin/start-all.sh
-
查看三条服务器运行进程
-
查看Master资源监控Web UI界面:http://linux1:8080
提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
- –class表示要执行程序的主类
- –master spark://linux1:7077独立部署模式,连接到Spark集群
- spark-examples_2.12-3.0.0.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
配置历史服务
由于spark-shell停止掉后,集群监控linux1:4040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
-
修改spark-defaults.conf.template文件名为spark-defaults.conf
-
修改spark-default.conf文件,配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux1:8020/directory
注意:需要启动hadoop集群,HDFS上的directory目录需要提前存在
sbin/start-dfs.sh
hadoop fs -mkdir /directory
- 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://linux1:8020/directory
-Dspark.history.retainedApplications=30"
参数1含义:WEB UI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,旧的应用程序的信息将被删除,这是内存中的应用数,而不是页面上显示的应用数
- 分发配置文件
xsync conf
- 重新启动集群和历史任务
sbin/start-all.sh
sbin/start-history-server.sh
- 重新执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
配置高可用(HA)
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。为此,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踢动服务,保证作业可以继续执行。这里的高可用一般采用Zookeeper设置
集群规划:
- 停止集群
sbin/stop-all.sh
- 启动Zookeeper
xstart zk
- 修改spark-env.sh文件添加如下配置
注释如下内容:
#SPARK_MASTER_HOST=linux1
#SPARK_MASTER_PORT=7077
添加如下内容:
#Master监控页面默认访问端口为8080,但是可能会和Zookeeper冲突,所以,改成8989,也可以自定义,访问UI监控页面时请注意
SPARK_MASTER_WEBUI_PORT=8989
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=linux1,linux2,linux3
-Dspark.deploy.zookeeper.dir=/spark"
- 分发配置文件
xsync conf/
- 启动集群
sbin/start-all.sh
- 启动linux2的单独Master节点,此时linux2节点Master状态处于备用状态
sbin/start-master.sh
- 提交应用到高可用集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077,linux2:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
- 停止linux1的Master资源监控进程
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
修改配置文件
- 修改hadoop配置文件/opt/module/hadoop/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>
- 修改conf/spark-env.sh,添加JAVA_HOME和YARN_CONF_DIR配置
export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop
-
启动HDFS以及YARN集群
-
提交应用
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
查看http://linux2:8088页面,点击History,查看历史页面
-
配置历史服务器
-
修改spark-defaults.conf.template文件名为spark-defaults.conf
-
修改spark-default.conf文件,配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux1:8020/directory
注意:需要启动hadoop集群,HDFS上的directory目录需要提前存在
sbin/start-dfs.sh
hadoop fs -mkdir /directory
- 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://linux1:8020/directory
-Dspark.history.retainedApplications=30"
参数1含义:WEB UI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,旧的应用程序的信息将被删除,这是内存中的应用数,而不是页面上显示的应用数
- 修改spark-defaults.conf
spark.yarn.historyServer.address=linux1:18080
spark.history.ui.port=18080
- 启动历史服务
sbin/start-history-server.sh
- 重新提交应用
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
- Web页面查看日志:http://linux2:8088
K8S & Mesos模式
Mesos是Apache下的开源分布式资源管理框架,它被称为是分布式系统的内核,在Twitter得到广泛使用,管理着Twitter超过30,0000台服务器上的应用部署,但是在国内,依然使用传统Hadoop大数据框架,所以国内使用Mesos框架的并不多,但是原理都差不多
容器化部署是目前业界很流行的一项技术,基于Docker镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是Kubernetes(k8s),而Spark也在最近的版本中支持了k8s部署模式
Windows模式
在学习时,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,并且会占用大量的系统资源,导致系统执行变慢。Spark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
-
解压缩文件
将文件spark-3.0.0-bin-hadoop3.2.tgz解压缩到无中文无空格的路径中 -
启动本地环境
i) 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
ii) 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
- 命令行提交应用
在DOS命令行窗口中执行提交指令
spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10