一、Spark集群部署
1.解压:
[ ] tar -zxvf /root/apps/spark-2.2.2-bin-hadoop2.7.tgz -C /root/apps/
2.修改配置文件:
[ ] mv spark-env.sh.template spark-env.sh
[ ] mv slaves.template slaves
spark-env.sh:
export JAVA_HOME=/usr/local/jdk
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER ->Dspark.deploy.zookeeper.url=node6,node7,node8 -Dspark.deploy.zookeeper.dir=/spark"
export SPARK_WORKER_CORES=2
export SPARK_WORKER_MEMORY=2gslaves:
node6
node7
node8
3.远程传输:
[ ] scp -r /root/apps/spark-2.2.2-bin-hadoop2.7/ slave1:/root/apps/
4.spark集群启动:
[ ] sbin/start-all.sh (在node3上执行)
//先起本地的master,然后通过ssh启动从机中的start-slave.sh脚本,启动worker,worker通过读spark-env.sh获取到master的位置
[ ] sbin/start-master.sh (在node4上执行)
//第二个master需要自己手动启动
5.Spark Shell 交互式命令行(后面的是命令参数)
[ ] /root/apps/spark-2.2.2-bin-hadoop2.7/bin/spark-shell
–master spark://node3:7077,node4:7077
–executor-memory 4g //指定每个worker分配内存大小
–total-executor-cores 8 //指定总共的核心数
6. web端访问页面
192.168.1.139:8080
二、HIVE ON SPARK
1.安装MySQL(hive的元数据库)并创建一个普通用户,并且授权
[ ] CREATE USER ‘root’@’%’ IDENTIFIED BY ‘123456’;
[ ] GRANT ALL PRIVILEGES ON hivedb.* TO ‘root’@’%’ IDENTIFIED BY ‘123456’ WITH GRANT OPTION;
[ ] FLUSH PRIVILEGES;
#在spark的conf目录下创建一个hive的配置文件
2.添加一个hive-site.xml
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://node8:3306/hivedb?createDatabaseIfNotExist=true</value>
<description>JDBC connect string for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
<description>Driver class name for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
<description>username to use against metastore database</description>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>123456</value>
<description>password to use against metastore database</description>
</property>
</configuration>
3.要在/etc/profile中配置一个环节变量
(让sparkSQL知道hdfs在哪里,其实就是namenode在哪里)
exprot HADOOP_CONF_DIR= /root/hadoop/hadoop-2.8.4/etc/hadoop
4.sparkSQL会在mysql上创建一个database,需要手动改一下DBS表中的DB_LOCATION_UIR改成hdfs的地址
hdfs://hdp/user/warehouse
5.上传一个mysql连接驱动
(sparkSubmit也要连接MySQL,获取元数据信息)
[ ] ./spark-sql --master spark://node6:7077,node7:7077 --driver-class-path /root/mysql-connector-java-5.1.7-bin.jar
6.重新启动SparkSQL的命令行
注意:启动命令行需要在master所在的节点启动
三、Spark-on-YARN
1. 官方文档
http://spark.apache.org/docs/latest/running-on-yarn.html
2. 配置安装
- 安装hadoop:需要安装HDFS模块和YARN模块,HDFS必须安装,spark运行时要把jar包存放到HDFS上。
- 安装Spark:解压Spark安装程序到一台服务器上,修改spark-env.sh配置文件,spark程序将作为YARN的客户端用于提交任务
export JAVA_HOME=/usr/local/jdk1.8.0_131
export HADOOP_CONF_DIR=/usr/local/hadoop-2.7.3/etc/hadoop - 启动HDFS和YARN
3. 运行模式(cluster模式和client模式)
1.cluster模式
[ ] ./bin/spark-submit --class org.apache.spark.examples.SparkPi
–master yarn
–deploy-mode cluster
–driver-memory 1g
–executor-memory 1g
–executor-cores 2
–queue default
lib/spark-examples.jar *
10
[ ] ./bin/spark-submit --class cn.edu360.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://node-1.edu360.cn:9000/wc hdfs://node-1.edu360.cn: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*
spark-shell必须使用client模式
./bin/spark-shell --master yarn --deploy-mode client
3.两种模式的区别
cluster模式: Driver程序在YARN中运行,应用的运行结果不能在客户端显示,所以最好运行那些将结果最终保存在外部存储介质(如HDFS、Redis、Mysql)而非stdout输出的应用程序,客户端的终端显示的仅是作为YARN的job的简单运行状况。
client模式: Driver运行在Client上,应用程序运行结果会在客户端显示,所有适合运行结果有输出的应用程序(如spark-shell)
4.原理
cluster模式:
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:
-
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) -
ResouceManager向NodeManager申请资源,创建Spark ApplicationMaster(每个SparkContext都有一个ApplicationMaster)
-
NodeManager启动ApplicationMaster,并向ResourceManager AsM注册
-
ApplicationMaster从HDFS中找到jar文件,启动SparkContext、DAGscheduler和YARN Cluster Scheduler
-
ResourceManager向ResourceManager AsM注册申请container资源
-
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)
-
Spark ApplicationMaster直接和container(executor)进行交互,完成这个分布式任务。
client模式:
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。
如果使用spark on yarn 提交任务,一般情况,都使用cluster模式,该模式,Driver运行在集群中,其实就是运行在ApplicattionMaster这个进程成,如果该进程出现问题,yarn会重启ApplicattionMaster(Driver),SparkSubmit的功能就是为了提交任务。
如果使用交换式的命令行,必须用Client模式,该模式,Driver是运行在SparkSubmit进程中,因为收集的结果,必须返回到命令行(即启动命令的那台机器上),该模式,一般测试,或者运行spark-shell、spark-sql这个交互式命令行是使用
注意:如果你配置spark-on-yarn的client模式,其实会报错。
修改所有yarn节点的yarn-site.xml,在该文件中添加如下配置:
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>