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。接下来,我们就分别看看不同环境下 Spark 的运行
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,之前在 IDEA 中运行代码的环境我们称之为开发环境,不太一样。
部署使用
将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到Linux 并解压缩,得到spark-local
## 运行本地环境,进入到解压之后的目录
bin/spark-shell
运行成功之后进入到spark的cli界面
可以在这里直接执行scala命令或者是spark命令
启动成功后,可以输入网址进行 Web UI 监控页面访问:http://hadoop113:4040
## 提交应用到spark执行
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,此处可以更换为咱们自己写的应用程序
–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,可以设定为咱们自己打的 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 本地模式毕竟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,这里我们来看看只使用 Spark 自身节点运行的集群模式,也就是我们所谓的独立部署(Standalone)模式。Spark 的 Standalone 模式体现了经典的master-slave 模式。
部署使用
集群规划:
Hadoop113 | Hadoop114 | Hadoop115 | |
---|---|---|---|
Spark | Worker Master | Worker | Worker |
重新解压文件,得到spark-standalone
配置:
进入解压缩后路径的 conf 目录,修改 slaves.template 文件名为 slaves;
修改该文件,添加worker节点;
hadoop113
hadoop114
hadoop115
修改 spark-env.sh.template 文件名为 spark-env.sh;
修改 spark-env.sh 文件,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=hadoop113
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,默认是7077
最后分发spark-standalone目录到各个服务器
启动集群:
sbin/start-all.sh
结果如下:先启动Master,再分别启动worker
xcall的创建和使用
创建文件/usr/local/bin/xcall
#!/bin/bash
#1 获取输入参数个数,如果没有参数,直接退出
pcount=$#
if ((pcount==0)); then
echo no args;
exit;
fi
cmd=$*
# 获取当前登录用户
user=`whoami`
# 在从机执行指令,这里需要根据你具体的集群情况配置,host与具体主机名一致,同上
for ((host=113; host<116; host++)); do
echo ------------------- hadoop$host --------------
echo "--> excute command \"$cmd\""
ssh $user@hadoop$host $cmd
done
如果要执行jps还需要为每个服务器设置jps的软连接
sudo ln -s -f /opt/module/jdk1.8.0_144/bin/jps /usr/local/bin/jps
这样的话我们就能够在一台上同时查看三台服务器jps的情况了
可以看出三台服务器都有worker进程了,而且113上有Master进程
查看 Master 资源监控Web UI 界面: http://hadoop113:8080
## 提交应用到spark执行,测试部署是否正常
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop113:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10
–master spark://hadoop113:7077 独立部署模式,连接到 Spark 集群
在执行任务的过程中会产生多个进程
执行任务时,默认采用服务器集群节点的总核数,每个节点内存 1024M。
提交参数说明
在提交应用中,一般会同时一些提交参数
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
参数 | 解释 | 举例 |
---|---|---|
–class | Spark 程序中包含主函数的类 | |
–master | Spark 程序运行的模式(环境) | 模式:local[*]、spark://hadoop113:7077、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 | |
–executor-cores | 指定每个executor 使用的cpu 核数 | |
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,命令行参数 |
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
配置过程:
1、修改 spark-defaults.conf.template 文件名为 spark-defaults.conf
2、修改 spark-default.conf 文件,配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop113:8020/spark
注意:需要启动 hadoop 集群,HDFS 上的 spark 目录需要提前存在。
3、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://hadoop113:8020/spark
-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
5、重新启动集群和历史服务
sbin/stop-all.sh
sbin/start-all.sh
sbin/start-history-server.sh
6、执行任务,查看结果
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop113:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10
7、查看历史服务器http://hadoop113:18080
配置高可用(HA)
所谓的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。所以为了解决单点故障问题,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 提供服务,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:
Hadoop113 | Hadoop114 | Linux3Hadoop115 | |
---|---|---|---|
Spark | Master Zookeeper Worker | Master Zookeeper Worker | Zookeeper Worker |
配置如下:
1、停止集群
sbin/stop-all.sh
2、启动 Zookeeper
3、修改 spark-env.sh 文件添加如下配置
#注释如下内容:
#SPARK_MASTER_HOST=hadoop113
#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=hadoop113,hadoop114,hadoop115
-Dspark.deploy.zookeeper.dir=/spark"
4、分发配置文件
5、启动集群
6、启动 hadoop114 的单独 Master 节点,此时 hadoop114 节点 Master 状态处于备用状态
sbin/start-master.sh
7、提交应用到高可用集群
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop113:7077 ,hadoop114:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10
8、停止 hadoop113 的 Master 资源监控进程
9、查看 hadoop114 的 Master 资源监控 Web UI,稍等一段时间后,hadoop114 节点的 Master 状态提升为活动状态
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。但是你也要记住,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。
所以接下来我们来学习在强大的 Yarn 环境下 Spark 是如何工作的(在国内工作中,Yarn 使用的非常多)。
部署使用
1、将文件解压到指定位置,获得文件spark-yarn
2、修改 hadoop 配置文件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>
3、修改spark的配置文件 conf/spark-env.sh,添加 JAVA_HOME 和 YARN_CONF_DIR 配置
mv spark-env.sh.template spark-env.sh
## 修改内容如下
export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop-3.2.2/etc/hadoop
4、启动 HDFS 以及 YARN 集群
5、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
通过http://hadoop114:8088查看历史页面
6、配置历史服务器
配置过程:
6.1、修改 spark-defaults.conf.template 文件名为 spark-defaults.conf
6.2、修改 spark-default.conf 文件,配置日志存储路径以及关联yarn历史服务器
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop113:8020/spark
spark.yarn.historyServer.address=hadoop113:18080
spark.history.ui.port=18080
注意:需要启动 hadoop 集群,HDFS 上的 spark 目录需要提前存在。
6.3、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://hadoop113:8020/spark
-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。
6.4、分发配置文件
6.5、重新启动集群和历史服务
6.6、提交任务
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
通过查看http://hadoop114:8088查看运行的历史结果
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,依然使用着传统的 Hadoop 大数据框架,所以国内使用 Mesos 框架的并不多,但是原理其实都差不多
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。这里不做过多的讲解。给个链接大家自己感受一下:https://spark.apache.org/docs/latest/running-on-kubernetes.html
部署模式对比
模式 | Spark 安装机器数 | 需启动的进程 | 所属者 | 应用场景 |
---|---|---|---|---|
Local | 1 | 无 | Spark | 测试 |
Standalone | 3 | Master 及 Worker | Spark | 单独部署 |
Yarn | 1 | Yarn 及 HDFS | Hadoop | 混合部署 |
端口号
Spark 查看当前 Spark-shell 运行任务情况端口号:4040(计算)
Spark Master 内部通信服务端口号:7077
Standalone 模式下,Spark Master Web 端口号:8080(资源)
Spark 历史服务器端口号:18080
Hadoop YARN 任务运行情况查看端口号:8088