搭建Spark的全分布环境

 搭建Spark的全分布环境:

tanzhou112 tanzhou113 tanzhou114

注意：每台机器的时机是否同步

 

1、在主节点的tanzhou112上搭建

(*) 解压 tar -zxvf spark-2.1.0-bin-hadoop2.7.tgz -C ~/training/

mv conf/spark-env.sh.template conf/spark-env.sh

(*) 修改配置文件: spark-env.sh

export JAVA_HOME=/root/training/jdk1.8.0_144

export SPARK_MASTER_HOST=tanzhou112

export SPARK_MASTER_PORT=7077

(*) 修改配置文件：slave

tanzhou113

tanzhou114

(*) 将配置好的spark复制到从节点上

scp -r spark-2.1.0-bin-hadoop2.7/ root@tanzhou113:/root/training

scp -r spark-2.1.0-bin-hadoop2.7/ root@tanzhou114:/root/training

2、在主节点启动

sbin/start-all.sh

 

三、Spark的HA实现

1、基于文件系统的单点spark服务器集群

(*) 单点：还是只有一个主节点

(*) 单点恢复指主节点宕机后，依然可以手动恢复到之前的状态（比如：worker的注册信息，application的信息）

(*) 只能用于开发和测试

(*) 基本思想：指定一个恢复目录，Spark在正常运行期间，把状态恢复的信息写入该目录

(*) 核心参数：

spark.deploy.recoveryMode: 设置恢复的模式，取值：FILESYSTEM、ZOOKEEPER

spark.deploy.recoveryDirectory: 指定恢复目录

(*) Demo: 在tanzhou111演示

修改：spark-env.sh

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/root/training/spark-2.1.0-bin-hadoop2.7/recovery"

(*) 运行Spark的Application：启动spark shell

先启动 sbin/start-all.sh再启动spark shell

bin/spark-shell --master spark://tanzhou111:7077

bin/spark-shell --master spark://hadoop01:7077

 

把master杀掉，停止掉

scala> 17/11/08 21:03:02 WARN StandaloneAppClient$ClientEndpoint: Connection to tanzhou111:7077 failed; waiting for master to reconnect...

17/11/08 21:03:02 WARN StandaloneSchedulerBackend: Disconnected from Spark cluster! Waiting for reconnection...

17/11/08 21:03:02 WARN StandaloneAppClient$ClientEndpoint: Connection to tanzhou111:7077 failed; waiting for master to reconnect...

 

把master重启

2、基于ZooKeeper的Standby Masters 基于ZK的HA高可用集群

(*) 配置参数：

spark.deploy.recoveryMode: 设置恢复的模式，取值：FILESYSTEM、ZOOKEEPER

spark.deploy.zookeeper.url: 配置ZK的地址

spark.deploy.zookeeper.dir: 指定spark信息保存在ZK中的目录

(*) 配置：tanzhou112 tanzhou113 tanzhou114

 

在每台机器上配置 ，并且注释掉

export SPARK_DAEMON_JAVA_OPTS="

-Dspark.deploy.recoveryMode=ZOOKEEPER

-Dspark.deploy.zookeeper.url=tanzhou112:2181,tanzhou113:2181,tanzhou114:2181

-Dspark.deploy.zookeeper.dir=/sparkHA"

在每台机器上，需要注释掉下面的配置（已经不是单点集群）：

#export SPARK_MASTER_HOST=tanzhou112

#export SPARK_MASTER_PORT=7077

(*) 启动：

（1）启动：ZK

（2）在tanzhou112上启动spark

（3）在其中一个从节点上，再手动启动一个备用master

sbin/start-master.sh

四、执行Spark Demo程序

1、执行Spark Demo程序：蒙特卡罗求PI

-----> 工具：spark submit(提交Spark的任务，是jar包)

spark-submit提交的任务，会作为一个独立的application运行

示例程序：/root/training/spark-2.1.0-bin-hadoop2.7/examples/jars/spark-examples_2.11-2.1.0.jar

通过查看源码，知道所有的示例程序：

Demo: bin/spark-submit --master spark://tanzhou111:7077 --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_2.11-2.1.0.jar 100

100次： Pi is roughly 3.1415395141539513

1000次：Pi is roughly 3.141555911415559

2、执行WordCount例子

-----> 工具: spark shell(交互式的命令行工具，类似SQL*PLUS)

(*)本地模式 bin/spark-shell

日志：(master = local[*],

 

(*)集群模式 bin/spark-shell --master spark://tanzhou111:7077

日志：master = spark://tanzhou111:7077,

注意：Spark context available as 'sc'

3、使用IDEA来开发WordCount程序 -----> Scala版本

4、使用Eclipse来开发WordCount程序 --> Java版本

(*) 使用spark-submit来执行

bin/spark-submit --master spark://tanzhou111:7077 --class demo.JavaSparkWordCount ~/jars/sparkjavawc.jar /root/temp/data.txt

 

五、Spark运行机制及原理分析

1、分析：WordCount的数据处理流程

2、任务在Spark集群间调度的过程

 

可以在集群上同时运行hadoop和 spark