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