Spark on Yarn 高可用模式部署流程

一、引言

Spark是一个用于大规模数据分析处理的分布式计算框架，适用于快速处理大数据的场景。Yarn是一个资源调度框架，用于集群资源的调度和管理。Spark 的任务也可以提交到Yarn中运行，由Yarn进行资源调度。在生产环境中，为了避免单点故障导致整个集群不可用的情况，一个很好的方式就是部署一个HA高可用的运行环境。

二、环境

1、 前提环境

配置高可用，首先要保证下面三个环境能正常运行。

• yarn集群
• spark集群
• zookeeper集群

2、zookeeper作用

以zookeeper在Spark集群中为例，在Yarn集群中也是同样的作用。

• Master节点的高可用性

Spark 高可用中，会有多个个Master节点，zookeeper会协助管理哪些Master节点是活动的，哪些是备份的。

• Master节点的选举机制

Spark 高可用中，使用zookeeper来实现Master节点的选举。在Spark集群中有多个Master节点时，zookeeper会确保只有一个节点是活跃的。一旦当前主节点失败，zookeeper会重新选举出一个新的Master节点，保证集群正常运行。

• 保存元数据和配置信息

  Zookeeper用来保存和共享Spark集群的配置信息、状态、集群的元数据。当Master节点切换时，可以做到数据同步。

Zookeeper在集群中通过Master节点选举和故障恢复来确保集群的稳定运行。通过使用Zookeeper，可以有效的避免单点故障，在Master发生异常时自动切换，保证计算任务正常运行。

三、Yarn HA 配置

1、首先执行stop-yarn.sh，停止现有的yarn环境

2、在yarn-site.xml中，添加如下配置

<configuration>
        <property>
                <name>yarn.nodemanager.aux-services</name>
                <value>mapreduce_shuffle</value>
        </property>
        <!-- 开启RM高可用 -->
        <property>
                <name>yarn.resourcemanager.ha.enabled</name>
                <value>true</value>
        </property>
        <!-- 指定RM的cluster id -->
        <property>
                <name>yarn.resourcemanager.cluster-id</name>
                <value>yrc