Spark安装部署 ——一篇文章轻松学会三种Spark运行环境的搭建

🙆‍♂️🙆‍♂️ 写在前面

​🏠​ 个人主页：csdn春和
📚 推荐专栏：更多专栏尽在主页！
 Scala专栏（spark必学语言 已完结）
 JavaWeb专栏（从入门到实战超详细！！！）
 SSM专栏 （更新中…）
​📖​ 本期文章：Spark安装部署 ——一篇文章轻松学会三种Spark运行环境的搭建

---

如果对您有帮助还请三连支持，定会一 一回访！🙋🏻‍♂️

---

---

Spark三种运行环境的搭建

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。

1、本地模式

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

1.1、本地环境部署

1、将spark压缩包上传到linux

2、将spark解压到一个指定的位置

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/

再来 cd /opt/moudle查看

3、修改名字为spark-local

mv spark-3.0.0-bin-hadoop3.2/ spark-local

4、启动SparkLocal环境

进入spark-local执行命令 bin/spark-shell

5、web端查看

启动成功后，可以输入网址进行Web UI监控页面访问

http://虚拟机地址:4040

1.2、命令行工具

1、在解压缩文件夹下的data目录中，添加word.txt文件。

2、在启动界面的命令行输入以下命令：

sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

3、退出本地模式

按Ctrl + c 或者 键入 :quit

1.3、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

1. –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

2. –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

3. 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

4. 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

2、standalone部署模式

 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。

	hadoop02	hadoop03	hadoop04
spark	master worker	worker	worker

2.1、安装部署步骤

1、将spark压缩文件解压到指定位置，修改名称为spark-standalone

2、修改配置文件

【1】进入到conf目录，修改slaves.template文件名为slaves

【2】修改slaves文件，添加worker节点

注意这里的节点，是你的分布式集群三台虚拟机的主机名

【3】修改spark-env.sh.template 为spark-env.sh

【4】修改spark-env.sh，添加JAVA_HOME环境变量和对应的master节点

export JAVA_HOME=/opt/module/jdk1.8.0_212
SPARK_MASTER_HOST=hadoop02
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

默认就是7077，这里我们不做改动

【5】将spark-standalone分发到其他节点

xsync spark-standalone

2.2、启动集群

1、执行脚本 sbin/start-all.sh

注意是在spark-standalone目录下

2、查看三台服务器的进程

3、查看master节点上的资源监控页面web端

http://hadoop02:8080

2.3、提交应用

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop02:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

1. –class表示要执行程序的主类

2. –master spark://hadoop02:7077 独立部署模式，连接到Spark集群

3. spark-examples_2.12-3.0.0.jar 运行类所在的jar包

4. 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

2.4、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	可选值举例
–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://hadoop02:7077、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

2.5、配置历史服务器

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。

1、修改spark-defaults.conf.template 为spark-defaults.conf

2、修改spar-defaults.conf文件添加日志存储路径配置

spark.eventLog.enabled          true
spark.eventLog.dir              hdfs://hadoop02:8020/directory

注意：需要启动hadoop集群，HDFS上的directory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://hadoop02:8020/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

xsync conf

5、重新启动集群和历史服务

sbin/start-all.sh

sbin/start-history-server.sh

6、重新执行任务

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop02:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

7、查看历史服务器

http://hadoop02:18080

2.6、高可用

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

高可用集群规划如下：

	hadoop02	hadoop03	hadoop04
Spark	Master Zookeeper Worker	Maste rZookeeper Worker	Zookeeper Worker

1、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=hadoop02,hadoop03,hadoop04 
-Dspark.deploy.zookeeper.dir=/spark"

2、分发配置好的文件，同步到其他节点

3、启动zookeeper集群

4、启动spark集群

sbin/start-all.sh

5、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

6、提交应用到高可用集群

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop02:7077,hadoop03:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

7、杀死hadoop02的master进程

8、查看hadoop03的Master 资源监控Web UI，稍等一段时间后，linux2节点的Master状态提升为活动状态

3、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。所以就让spark计算所需的资源调度工作交由yarn

3.1、Yarn模式安装部署

1、将spark压缩文件解压到指定位置，并修改名字为spark-yarn

2、修改配置文件

【1】修改yarn-site.xml文件并分发到其他节点

<!--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>

【2】修改conf/spark-env.sh，添加JAVA_HOME和YARN_CONF_DIR配置

首先将spark-env.sh.template 改为 spark-env.sh

cd spark-yarn/conf
mv spark-env.sh.template spark-env.sh
vim spark-env.sh

添加如下内容

export JAVA_HOME=/opt/module/jdk1.8.0_212
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop

3、启动HDFS以及YARN

  这里我们启动hadoop集群启起来就OK

4、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

5、查看hadoop03:8088页面 注意这是yarn的web页面

3.2、配置历史服务器

1、修改spark-defaults.conf.template 为 spark-defaults.conf

mv spark-defaults.conf.template 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://hadoop02:8020/directory

注意：需要启动hadoop集群，HDFS上的目录需要提前存在

如果没有我们就要提前创建

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://hadoop02:8020/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、在spark-defaults.conf文件中添加如下内容：

spark.yarn.historyServer.address=hadoop02:18080
spark.history.ui.port=18080

5、启动历史服务器

sbin/start-history-server.sh

6、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

7、在web页面查看日志

http://hadoop03:8088 yarn页面

http://hadoop02:18080 历史服务器页面

4、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

5、常用端口号

1、Spark查看当前Spark-shell运行任务情况端口号：4040（计算）

2、Spark Master内部通信服务端口号：7077

3、Standalone模式下，Spark Master Web端口号：8080（资源）

4、Spark历史服务器端口号：18080

5、Hadoop YARN任务运行情况查看端口号：8088