1:集群规划
使用三台Linux虚拟机来组成集群环境, 非别是:
master\ slave1\ slave2
master运行: Spark的Master进程 和 1个Worker进程
slave1运行: spark的1个worker进程
slave2运行: spark的1个worker进程
整个集群提供: 1个master进程 和 3个worker进程
master | slave1 | slave2 |
192.168.204.130 | 192.168.204.131 | 192.168.204.132 |
基于前面博客Spark Local环境部署
2:spark配置文件部署
1:进入到spark c的配置文件conf目录中,
cd /export/spark/conf/
2:配置workers文件
mv workers.template workers
vim workers
master
slave1
slave2
3:配置spark-env.sh文件
mv spark-env.sh.template spark-env.sh
vim spark-env.sh
# 设置JAVA安装目录
JAVA_HOME=/export/jdk
# HADOOP软件配置文件目录,读取HDFS上文件和运行YARN集群
HADOOP_CONF_DIR=/export/hadoop/etc/hadoop
YARN_CONF_DIR=/export/hadoop/etc/hadoop
#指定spark老大Master的IP和提交任务的通信端口告知Spark的master运行在哪个机器上
export SPARK_MASTER_HOST=master
# 告知sparkmaster的通讯端口
export SPARK_MASTER_PORT=7077
# 告知spark master的 webui端口
SPARK_MASTER_WEBUI_PORT=8080
# worker cpu可用核数
SPARK_WORKER_CORES=1
# worker可用内存
SPARK_WORKER_MEMORY=1g
# worker的工作通讯地址
SPARK_WORKER_PORT=7078
# worker的 webui地址
SPARK_WORKER_WEBUI_PORT=8081
# 设置历史服务器
# 配置的意思是 将spark程序运行的历史日志 存到hdfs的/sparklog文件夹中
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://master:8020/sparklog/ -Dspark.history.fs.cleaner.enabled=true"
4:启动hadoop集群
我的想法是可以启动的全部启动
start-all.sh
端口: 9870 8088
mapred --daemon start historyserver
19888
端口:19888 yarn MR程序历史服务器web端地址
5:在HDFS上创建程序运行历史记录存放的文件夹:
hadoop fs -mkdir /sparklog
hadoop fs -chmod 777 /sparklog
6:配置spark-defaults.conf文件
mv spark-defaults.conf.template spark-defaults.conf
vim spark-defaults.conf
#set paste #防止粘贴注释
# 开启spark的日期记录功能
spark.eventLog.enabled true
# 设置spark日志记录的路径
spark.eventLog.dir hdfs://master:8020/sparklog/
# 设置spark日志是否启动压缩
spark.eventLog.compress true
7:配置log4j.properties 文件 [可选配置]
(这个文件为什么spark3.4里面没有,在spark3.2有这个文件,如果不修改,运行程序会有好多废话,但是程序是正常跑的,)
mv log4j.properties.template log4j.properties
vim log4j.properties
3:分发spark目录
cd /export
scp -r spark slave1:/export/
scp -r spark slave2:/export/
4:启动集群
1:启动历史服务器
cd /export/spark
sbin/start-history-server.sh
#端口 18080
#ps -ef|grep 端口号 查看进程是哪个软件
2: 启动Spark的Master和Worker进程
# 启动全部master和worker
/export/spark/sbin/start-all.sh
#端口:8080 ---808x
5:连接到StandAlone集群
cd /export/spark
bin/pyspark --master spark://master:7077
# 通过--master选项来连接到 StandAlone集群
# 如果不写--master选项, 默认是local模式运行
sc.parallelize([1,23,4,45,65,6,7]).map(lambda x: x*10).collect()