Spark集群部署模式
---------------
1.local
2.standalone
3.mesos
4.yarn
Spark闭包处理
---------------------
RDD,resilient distributed dataset,弹性(容错)分布式数据集。
分区列表,function,dep Option(分区类, Pair[Key,Value]),首选位置。
运行job时,spark将rdd打碎变换成task,每个task由一个executor执行。执行
之前,spark会进行task的闭包(closure)计算。闭包是指针对executor可见的
变量和方法,以备在rdd的foreach中进行计算。闭包就是串行化后并发送给每个
executor.
local模式下,所有spark程序运行在同一JVM中,共享对象,counter是可以累加的。
原因是所有executor指向的是同一个引用。
cluster模式下,不可以,counter是闭包处理的。每个节点对driver上的counter是
不可见的。只能看到自己内部串行化的counter副本。
Spark的应用的部署模式
---------------------------
spark-submit --class xxx xx.jar --deploy-mode (client | cluster)
--deploy-mode指定是否部署driver程序在worker节点上还是在client主机上。
[client]
driver运行在client主机上。client可以不在cluster中。
[cluster]
driver程序提交给spark cluster的某个worker节点来执行。
worker是cluster中的一员。
导出的jar需要放置到所有worker节点都可见的位置(如hdfs)才可以。
不论哪种方式,rdd的运算都在worker执行
验证app的部署模式
-------------------
1.启动spark集群
2.编程
package com.it18zhang.spark.scala;
import java.net.{InetAddress, Socket}
import org.apache.spark.{SparkConf, SparkContext}
/**
*
*/
object DeployModeTest {
def printInfo(str:String): Unit ={
val ip = InetAddress.getLocalHost.getHostAddress;
val sock = new Socket("192.168.231.205",8888);
val out = sock.getOutputStream;
out.write((ip + " : " + str + "\r\n").getBytes())
out.flush()
sock.close();
}
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
conf.setAppName("DeployModeTest")
conf.setMaster("spark://s201:7077")
val sc = new SparkContext(conf)
printInfo("hello world") ;
val rdd1 = sc.parallelize(1 to 10,3);
val rdd2 = rdd1.map(e=>{
printInfo(" map : " + e)
e * 2 ;
})
val rdd3 = rdd2.repartition(2)
val rdd4 = rdd3.map(e=>{
printInfo(" map2 : " + e)
e
})
val res = rdd4.reduce((a,b)=>{
printInfo("reduce : " + a + "," + b)
a + b ;
})
printInfo("driver : " + res + "")
}
}
3.打包
jar
对于cluster部署模式,必须要将jar放置到所有worker都能够看到的地方才可以,例如hdfs。
4.复制到s201
5.提交job到spark集群。
//分发jar到所有节点的相同目录下
$>spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master spark://s201:7077 --deploy-mode client SparkDemo1-1.0-SNAPSHOT.jar
//上传jar到hdfs。
$>spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master spark://s201:7077 --deploy-mode cluster hdfs://s201:8020/user/centos/SparkDemo1-1.0-SNAPSHOT.jar
spark集群的运行方式
-------------------
主要是cluster manager的区别。
local
[standalone]
使用SparkMaster进程作为管理节点.
[mesos]
使用mesos的master作为管理节点。
[yarn]
使用hadoop的ResourceManager作为master节点。不用spark的master.
不需要启动spark-master节点。也不需要。
确保HADOOP_CONF_DIR和YARN_CONF_DIR环境变量指向了包含了hadoop配置文件的目录。
这些文件确保向hdfs写入数据并且连接到yarn的resourcemanager.这些配置分发到yarn集群,
确保所有节点的配置是一致的。配置中设置的所有属性确保所有节点都能找到。
在yarn上运行spark应用,可以采用两种部署模式。cluster:driver运行在appmaster进程中。
client:driver运行在client进程中,AppMaster只用于请求资源。
yarn模式 :--master yarn(yarn-site.xml)
standalone : --master spark://s2001:7077
mesos : --master mesos//xxx:xxx
spark-submit --class path.to.your.Class --master yarn --deploy-mode cluster [options] <app jar> [app options]
//yarn + cluster模式
spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master yarn --deploy-mode cluster hdfs://mycluster/user/centos/SparkDemo1-1.0-SNAPSHOT.jar
//yarn + cluster模式
spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master yarn --deploy-mode client SparkDemo1-1.0-SNAPSHOT.jar
spark脚本
-----------------
sbin/start-all.sh --> sbin/start-master.sh --> sbin/start-config.sh --> export HADOOP_CONF_DIR=...
--> bin/load-spark-env.sh --> conf/spark-env.sh
sbin/start-all.sh -->sbin/start-slave.sh --> sbin/start-config.sh
--> bin/load-spark-env.sh
--> sbin/start-slave.sh
start-slave.sh --> sbin/start-config.sh
--> bin/load-spark-env.sh
修改/soft/sparl/conf/spark-env.sh
-----------------------------------
export HADOOP_CONF_DIR=/soft/hadoop/etc/hadoop
export SPARK_EXECUTOR_INSTANCES=3
export SPARK_EXECUTOR_CORES=1
export SPARK_EXECUTOR_MEMORY=500M
export SPARK_DRIVER_MEMORY=500M
---------------
spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master yarn --deploy-mode client SparkDemo1-1.0-SNAPSHOT.jar
在提交作业时指定第三方类库
--------------------------------
spark-submit ... --jars x,x,x
mvn -DoutputDirectory=./lib -DgroupId=com.it18zhang -DartifactId=SparkDemo1 -Dversion=1.0-SNAPSHOT dependency:copy-dependencies
配置spark on yarn执行模式
-----------------------------------
1.将spark的jars文件放到hdfs上.
$>hdfs dfs -mkdir -p /user/centos/spark/jars
hdfs dfs -put
2.配置spark属性文件
[/spark/conf/spark-default.conf]
spark.yarn.jars hdfs://mycluster/user/centos/spark/jars/*
3.提交作业
//yarn + cluster
spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master yarn --deploy-mode cluster hdfs://mycluster/user/centos/SparkDemo1-1.0-SNAPSHOT.jar
//yarn + client
spark-submit --class com.it18zhang.spark.scala.DeployModeTest --master yarn --deploy-mode client SparkDemo1-1.0-SNAPSHOT.jar
配置机架感知
-----------------
com.it18zhang.hdfs.rackaware.MyRackAware2
[core-site.xml]
<property>
<name>topology.node.switch.mapping.impl</name>
<value>com.it18zhang.hdfs.rackaware.MyRackAware2</value>
</property>
Spark master HA
-------------------
[描述]
只针对standalone和mesos集群部署情况。
使用zk连接多个master并存储state。
master主要负责调度。
master: SPOF
[配置]
[spark/conf/spark-env.sh]
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=s201:2181,s202:2181,s203:2181 -Dspark.deploy.zookeeper.dir=/spark"
spark.deploy.recoveryMode=ZOOKEEPER
spark.deploy.zookeeper.url=s201:2181,s202:2181,s203:2181
spark.deploy.zookeeper.dir=/spark/ha
分发配置。
[启动方式]
直接在多个节点上启动master进程。自动从zk中添加或删除.
可通过指定多个master连接地址实现。
spark://host1:port1,host2:port2.