$SPARK_HOME/bin/spark-submit脚本用于在集群上启动Application。它可以通过统一的接口使用所有Spark支持的集群管理器,因此不必专门为每个集群管理器配置应用程序。
绑定应用程序的依赖项
如果自己的代码依赖于其他项目,则需要将它们与应用程序一起打包,以便将其代码分发到Spark集群。
为此,需要创建一个包含自己代码及其依赖项的jar包(或者是 “uber” jar)。在创建应用程序的jar包时,将Spark和Hadoop作为provided的依赖项列出;这些不需要绑定,因为它们是由集群管理器在运行时提供的。
编译好jar包后,可以调用bin/spark-submit脚本在启动上启动应用程序。
使用spark-submit启动应用程序
一旦绑定了用户应用程序,就可以使用bin/spark-submit脚本启动它。此脚本负责使用Spark及其依赖项设置类路径,并支持不同的集群管理器和Spark支持的部署模式:
./bin/spark-submit \
--class <main-class> \
--master <master-url> \
--deploy-mode <deploy-mode> \
--conf <key>=<value> \
... # other options
<application-jar> \
[application-arguments]
常用的选项:
选项 | 说明 |
--class | 应用程序的入口类(例如org.apache.spark.examples.SparkPi) |
--master | 集群的Master的URL(例如:spark://207.184.161.138:7077) |
--deploy-mode | 是针对集群而言的,是指应用程序部署的模式。 根据Driver进程放在哪分为两种方式:client和cluster,默认是client |
--conf | 任意spark配置属性,key=value格式。对于包含空格的值,将“key=value”括在引号中。 |
application-jar | 应用程序jar包的路径,包括应用程序和其所有依赖项。 URL必须在集群内部全局可见,例如,在所有节点上都存在一个hdfs:// path或一个file:// path。 |
application-arguments | 参数传递给应用程序main类的main方法参数(如果有的话) |
对于Python应用程序,只需在<application-jar>的位置传递一个.py文件而不是jar,然后使用--py-files选项将.zip、.egg或.py文件添加到搜索路径中。以便与应用程序一起分发到Spark集群。如果依赖于多个其他Python文件,建议将它们打包到.zip或.egg中。
一种常见的部署策略是,从物理上与集群机器处于同网关下的机器上提交应用程序(例如,独立EC2集群中的主节点)。在此设置中,client模式是合适的。在client模式下,driver直接在spark-submit进程中启动,该进程充当集群的客户端。应用程序的输入和输出附加到控制台。因此,这种模式特别适合包含交互(REPL)的应用程序(例如Spark shell)。
如果应用程序是从远离集群机器的机器上提交的(例如,在自己本地笔记本电脑上),通常使用cluster模式来最小化driver和应用程序之间的网络延迟。
目前,Standalond模式不支持Python应用程序的集群模式。
有几个选项是特定于正在使用的集群管理器的。
例如,对于Standalone、mesos集群下使用cluster部署模式的应用程序,还可以指定--supervise,以确保驱动程序在使用非零退出代码失败时自动重新启动。
通过--help选项可以查看到bin/spark-submit脚本支持的全部选项,以下是一些常见的选择:
# 在本地使用8个内核运行应用程序
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[8] \
/path/to/examples.jar \
100
# 以client部署模式在Standalone集群上运行应用程序
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://207.184.161.138:7077 \
--executor-memory 20G \
--total-executor-cores 100 \
/path/to/examples.jar \
1000
# 以cluster部署模式在Standalone集群上运行应用程序,并使用--supervise
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://207.184.161.138:7077 \
--deploy-mode cluster \
--supervise \
--executor-memory 20G \
--total-executor-cores 100 \
/path/to/examples.jar \
1000
# 以cluster部署模式在yarn集群上运行应用程序
export HADOOP_CONF_DIR=XXX
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \ # can be client for client mode
--executor-memory 20G \
--num-executors 50 \
/path/to/examples.jar \
1000
# 在Standalone集群上运行Python应用程序
./bin/spark-submit \
--master spark://207.184.161.138:7077 \
examples/src/main/python/pi.py \
1000
# 以cluster部署模式在mesos集群上运行应用程序,并使用--supervise
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master mesos://207.184.161.138:7077 \
--deploy-mode cluster \
--supervise \
--executor-memory 20G \
--total-executor-cores 100 \
http://path/to/examples.jar \
1000
#以cluster部署模式在mesos集群上运行应用程序
./bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master k8s://xx.yy.zz.ww:443 \
--deploy-mode cluster \
--executor-memory 20G \
--num-executors 50 \
http://path/to/examples.jar \
1000
Master URLs
传递给--master选项的Master的URL可以是以下格式之一:
Master URL | 作用 |
local | 使用一个工作线程在本地运行Spark(即完全不并行)。 |
local[K] | 使用K个工作线程在本地运行Spark(理想情况下,将其设置为计算机上的内核数量)。 |
local[K,F] | 使用K个工作线程和F maxfailure在本地运行Spark |
local[*] | 在本地运行Spark,在机器上使用与逻辑内核一样多的工作线程。 |
local[*,F] | 在本地运行Spark,在机器上使用与逻辑内核一样多的工作线程和F maxfailure。 |
spark://HOST:PORT | 连接到给定的Spark独立集群主服务器。端口必须是您的主服务器配置要使用的端口,默认情况下为7077。 |
spark://HOST1:PORT1,HOST2:PORT2 | 使用带有Zookeeper的备用主机连接到给定的Spark独立集群。该列表必须使用Zookeeper设置高可用性集群中的所有主机。端口必须是每个主服务器配置使用的端口,默认情况下为7077。 |
yarn | 根据--deploy-mode的值client或cluster模式连接到yarn集群。集群位置将基于hadoop_con_dir或yarn_con_dir变量找到。 |
从文件中加载配置
bin/spark-submit脚本可以从配置文件加载默认的Spark配置值,并将其传递给应用程序。默认情况下,它将从$SPARK_HOME/conf/Spark-default.conf中读取配置。
通过这种方式加载默认的Spark配置可以避免使用某些选项执行spark-submit。例如,如果设置了spark.master属性,可以安全地从spark-submit中省略--master选项。
在SparkConf上显式设置的配置值具有最高的优先级;
其次是通过spark-submit脚本选项设置的配置;
最后是在$SPARK_HOME/conf/Spark-default.conf文件中设置值。
如果不清楚配置选项从何而来,可以通过在执行spark-submit脚本时使用--verbose选项,来打印出细粒度的调试信息。
先进的依赖管理
当使用bin/spark-submit脚本提交应用程序时,应用程序jar包以及--jars选项中包含的任何jar包将自动转移到集群中。--jars之后提供的多个url必须用逗号分隔。该列表包含在driver和executor类路径中。目录扩展不能使用--jars。
Spark使用以下URL方式,允许使用不同的策略来分发jar包:
方式 | 说明 |
file: | 绝对路径和file://uri由driver的HTTP文件服务器提供,每个executor从driver的HTTP服务器中提取文件。 |
hdfs: http: https: ftp: | 这些将按预期从URI中拉出文件和jar包。 |
local: | 以local://开头的URI将作为每个工作节点上的本地文件存在。这意味着不会产生网络IO,并且对于推送到每个Worker的大型文件或jar包,或者通过NFS、GlusterFS等共享的件或jar包都可以很好地工作。 |
注意:jar和文件被复制到executor节点上每个SparkContext的工作目录中。随着时间的推移,这会占用大量的空间,需要清理。使用YARN,清理是自动处理的,而使用Standalone,自动清理可以配置spark.worker.cleanup.appDataTtl属性。
用户还可以使用--packages提供以逗号分隔的Maven坐标列表,从而包含任何其他依赖项。使用此命令时将处理所有传递依赖项。对于Python,可以使用等效的--py-files选项将.egg、.zip和.py库分发给executor。