spark搭建

简单版本

需要安装Jdk
解压spark安装包，tar -zxvf .. -C ..
进入安装包下的conf目录下
mv ./spark-env.sh.template spark-env.sh
vi ./spark-env.sh
在最下面增加
export JAVA_HOME=java_home目录
export SPARK_MASTER_IP=hadoop01 在host中配置的路由
export SPARK_MASTER_PORT=7077
然后：
mv slaves.template slaves
vi slaves
在这里配置worker的路由，像我的是
hadoop02
hadoop03
然后远程拷贝到其它机器
scp -r ... node02:/...
启动命令：
./sbin/start-all.sh  
启动后，jps ，hadoop01 上有master   hadoop02，hadoop03上有worker
webUI：http://hadoop01:8080

高可用

高可用需要zookeeper，需要两个master节点
配置 ： master：hadoop01，hadoop02
    worker ： hadoop03，hadoop04，hadoop05.。。

在如上的conf下的spark-env.sh 删除：SPARK_MASTER_IP。
增加：export SPARK_DAEMON_JAVA_OPTS=
"-Dspark.deploy.recoveryMode=ZOOKEEPER 
-Dspark.deploy.zookeeper.url=zk1,zk2,zk3 
-Dspark.deploy.zookeeper.dir=/spark"
再在，hadoop01节点的slave中修改slave的配置节点
然后在hadoop01 中启动sbin/start-all.sh
在hadoop02中执行sbin/start-master.sh启动第二个master

Spark-On-Yarn配置运行

安装hadoop
同上安装spark
将一台服务器的spark-env.sh的配置修改为，主要是java与hadoop配置文件目录
export JAVA_HOME=/usr/local/jdk1.7.0_80
export HADOOP_CONF_DIR=/usr/local/hadoop-2.6.4/etc/hadoop
这台修改的服务器可以作为提交任务的入口
spark程序将作为YARN的客户端用于提交任务
启动HDFS和YARN

spark on yarn 的运行模式有两种-（cluster模式和client模式）

### 1.cluster模式  集群模式
./bin/spark-submit \
--class com.sam.spark.day1.WordCount \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/home/bigdata/hello-spark-1.0.jar \
hdfs://node01:9000/wc hdfs://node01:9000/out-yarn-1


#### 2.client模式
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
lib/spark-examples*.jar \
10

　两种运行模式的区别

cluster：driver运行在yarn上，结果不能在client上显示，所以最好将运行结果存到外部介质
client :driver运行在client上，会将结果输出到控制台，适合运行结果有输出的程序，如（spark-shell）
spark-shell必须使用client模式
./bin/spark-shell --master yarn --deploy-mode client

两种运行模式的原理

### cluster：Spark Driver首先作为一个ApplicationMaster在YARN集群中启动，客户端提交给ResourceManager的每一个job都会在集群的NodeManager节点上分配一个唯一的ApplicationMaster，由该ApplicationMaster管理全生命周期的应用。具体过程：

1. 由client向ResourceManager提交请求，并上传jar到HDFS上
这期间包括四个步骤：
a).连接到RM
b).从RM的ASM（ApplicationsManager ）中获得metric、queue和resource等信息。
c). upload app jar and spark-assembly jar
d).设置运行环境和container上下文（launch-container.sh等脚本)

2. ResouceManager向NodeManager申请资源，创建Spark ApplicationMaster（每个SparkContext都有一个ApplicationMaster）
3. NodeManager启动ApplicationMaster，并向ResourceManager AsM注册
4. ApplicationMaster从HDFS中找到jar文件，启动SparkContext、DAGscheduler和YARN Cluster Scheduler
5. ResourceManager向ResourceManager AsM注册申请container资源
6. ResourceManager通知NodeManager分配Container，这时可以收到来自ASM关于container的报告。（每个container对应一个executor）
7. Spark ApplicationMaster直接和container（executor）进行交互，完成这个分布式任务。



### client：
在client模式下，Driver运行在Client上，通过ApplicationMaster向RM获取资源。本地Driver负责与所有的executor container进行交互，并将最后的结果汇总。结束掉终端，相当于kill掉这个spark应用。一般来说，如果运行的结果仅仅返回到terminal上时需要配置这个。

客户端的Driver将应用提交给Yarn后，Yarn会先后启动ApplicationMaster和executor，另外ApplicationMaster和executor都 是装载在container里运行，container默认的内存是1G，ApplicationMaster分配的内存是driver- memory，executor分配的内存是executor-memory。同时，因为Driver在客户端，所以程序的运行结果可以在客户端显 示，Driver以进程名为SparkSubmit的形式存在。