Spark模式及运行

spark shell本地模式：

（1）使用spark shell需要开启Hadoop集群，在/home/hadoop/apps/spark-2.2.0-bin-hadoop2.7目录下执行命令：bin/spark-shell

（2）val rdd = sc.parallelize(1 to 100,3)：定义一个不可变的变量为数字1-100，3个分区；

rdd.count：计算rdd中有多少个元素

val rdd2 = rdd.map(_+1)：针对rdd每个元素进行加1

rdd2.take(3)：取rdd2里面前3个元素

（3）val rdd1 = sc.textFile("file:///home/hadoop/apps/sparkwc"，1)：定义rdd1为从/home/hadoop/apps目录下sparkwc文件读取且指定为1个分区；rdd1.partitions.length：查看rdd1的分区数

val rdd2 = rdd1.flatMap(_.split("\t"))：rdd2为对rdd1读取的文件按Tab键分隔

val rdd3 = rdd2.map((_,1))：rdd3将rdd2得到的字符串转换为（key，1）的形式

val rdd4 = rdd3.reduceByKey(_+_)：rdd4将rdd3中key相同的1进行累加

rdd4.collect()：查看rdd4中的内容

（4）sc.textFile("hdfs://192.168.137.100:9000/wordcount/input",1).flatMap(_.split("\t")).map((_,1)).reduceByKey(_+_).sortBy(_._2,false).saveAsTextFile("hdfs://192.168.137.100:9000/wordcount/out2")：从hdfs上读取文件进行wordcount统计，然后按照value值降序排列输出指定hdfs目录下

spark ON YARN（client）模式：

（1）修改/home/hadoop/apps/hadoop-2.7.4/etc/hadoop目录下的yarn-site.xml文件，增加内容

<property>
        <name>yarn.nodemanager.vmem-pmem-ratio</name>
        <value>10</value>
</property>保持所有节点的配置文件内容一致，重启YARN

（2）修改spark安装包conf目录下的spark-env.sh，解压的安装包里没有该文件，用命令：cp spark-env.sh.template spark-enc.sh拷贝该文件，在最后增加内容：export HADOOP_CONF_DIR=/usr/local/hadoop/etc/hadoop；可选修改spark安装包conf目录下的spark-defaults.conf内容，利用命令：cp spark-defaults.conf.template spark-defaults.conf拷贝该文件，在最后增加内容：spark.default.parallelism = 1设置默认分区数为1

启动：

bin/spark-shell --master yarn --deploy-mode client

注意：spark-shell只能以client的模式运行，Driver要运行在本地

（3）sc.textFile("/wordcount/input").flatmap(_.split("\t")).map((_,1)).reduceByKey(_+_).sortBy(_._2,false).saveAsTextFile("/wordcount/out4")：从hdfs上读取文件，然后将读取的文件按照value将序排列输出到指定的hdfs目录下

spark ON YARN（cluster）模式：

Spark History Server配置

（1）spark history server查看运行完成的作业信息和日志

（2）配置Hadoop的yarn-site.xml文件，所有节点配置文件同步，重启yarn

<property>

    <name>yarn.log.server.url</name>

    <value>http://node02:19888/jobhistory/logs</value>

    <description>Yarn JobHistoryServer访问地址</description>

</property>

（3）修改spark安装包conf目录下的spark-defaults.conf（如果没有该文件，通过spark-defaults.conf.template模板复制一个），spark history server在192.168.137.100节点启动，spark_logs这个目录需要在HDFS上提前创建

spark.yarn.historyServer.address=192.168.137.100:18080

spark.history.ui.port=18080

spark.eventLog.enabled=true

spark.eventLog.dir=hdfs://spark_logs

spark.history.fs.logDirectory=hdfs:///spark_logs

Spark History Server启动

（1）启动Spark History Server

sbin/start-history-server.sh

（2）Spark History Server访问地址

http://192.168.137.100:18080

（3）Spark History Server使用

Spark运行环境优化

将spark系统jar包上传到HDFS上，直接使用HDFS上的文件

（1）在spark安装目录下运行：jar cv0f spark-libs.jar -C jars/ .

（2）将spark安装目录下生成的spark-libs.jar上传到HDFS上的/system/spark（需要手动创建）目录下

hadoop fs -put spark-libs.jar /system/spark

（3）修改spark安装包conf目录下spark-defaults.conf配置文件添加spark-libs.jar在HDFS上的路径

spark.yarn.archive=hdfs:///system/spark/spark-libs.jar

 

启动spark ON YARN（cluster）模式：

进入/home/hadoop/apps/spark-2.2.0-bin-hadoop2.7目录下，运行如下命令：

bin/spark-submit \
--class bigdata.spark.WordCount \
--master yarn \
--deploy-mode cluster \
--driver-cores 1 \
--num-executors 1 \
--executor-cores 1 \
--executor-memory 3g \
./bigdatasparkpro-1.0-SNAPSHOT.jar /data/wc/in /data/wc/out1