Spark学习复习（3.运行环境）

最新推荐文章于 2024-05-31 19:43:54 发布

爱敲代码的小黑

最新推荐文章于 2024-05-31 19:43:54 发布

阅读量373

点赞数

分类专栏： spark 文章标签： scala spark

本文链接：https://blog.csdn.net/qq_46964261/article/details/124121420

版权

spark 专栏收录该内容

6 篇文章 1 订阅

订阅专栏

Spark运行环境

Spark 作为一个数据处理框架和计算引擎，被设计在所有常见的集群环境中运行, 在国内工作中主流的环境为Yarn，不过逐渐容器式环境也慢慢流行起来。接下来，我们就分别看看不同环境下Spark 的运行。
在这里插入图片描述

1. 部署模式对比

Spark Master 内部通信服务端口号：7077
Spark 查看当前 Spark-shell 运行任务情况端口号：4040（计算）
Hadoop YARN 任务运行情况查看端口号：8088

模式	Spark 安装机器数	需启动的进程	所属者	应用场景	使用端口
Local	1	无	Spark	测试	4040（spark-shell）
Standalone	3	Master 及 Worker	Spark	单独部署	4040（spark-shell） 8080（Master UI默认端口） 18080（Spark 历史服务器端口） 8989(Master UI端口,配置高可用的使用改的)
Yarn	1	Yarn 及 HDFS	Hadoop	混合部署	8080（Master UI默认端口） 18080（Spark 历史服务器端口） 8088(YARN的http端口)
Windows	1	Master及Worker	Spark	测试	4040

2. Local模式

所谓的Local 模式，就是不需要其他任何节点资源就可以在本地执行 Spark 代码的环境，一般用于教学，调试，演示等，之前在 IDEA 中运行代码的环境我们称之为开发环境，不太一样。

搭建Local模式环境

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到Linux 并解压缩，放置在指定位置，路径中不要包含中文或空格。

# 解压后放到/opt/module中
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
# 进入到/opt/module目录中
cd /opt/module
# 改名
mv spark-3.0.0-bin-hadoop3.2 spark-local

启动Local环境

# 进入解/压缩后的路径，执行如下指令
bin/spark-shell

在这里插入图片描述

启动成功后，可以输入网址 http://hadoop:4040/jobs/ 进行 Web UI 监控页面访问
在这里插入图片描述

WordCount案例

在解压缩文件夹下的 data 目录中，添加 word.txt 文件。在命令行工具中执行如下代码指令（和 IDEA 中代码简化版一致）
在这里插入图片描述

sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

运行结果：
在这里插入图片描述

#退出本地模式
:quit
ctrl + c

提交应用

# \表示换行
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-3.0.0.jar \ 
10

--class 表示要执行程序的主类，此处可以更换为咱们自己写的应用程序。
--master local[2] 部署模式，默认为本地模式，数字表示分配的虚拟CPU 核数量
spark-examples_2.12-3.0.0.jar 运行的应用类所在的 jar 包，实际使用时，可以设定为咱们自己打的 jar 包
数字 10 表示程序的入口参数，用于设定当前应用的任务数量。
运行结果：

3. Standalone模式☆

Local本地模式毕竟只是用来进行练习演示的，真实工作中还是要将应用提交到对应的集群中去执行，这里我们来看看只使用 Spark 自身节点运行的集群模式，也就是我们所谓的独立部署（Standalone）模式。Spark 的 Standalone 模式体现了经典的master-slave 模式。

集群规划为：

	hadoop	hadoop101	hadoop102
Spark	Worker Master	Worker	Worker

搭建Standalone模式环境

# 解压后放到/opt/module中
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
# 进入到/opt/module目录中
cd /opt/module
# 改名
mv spark-3.0.0-bin-hadoop3.2 spark-standalone

# 进入解压缩后路径的 conf 目录，修改 slaves.template 文件名为 slaves
cd /opt/module/spark-standalone/conf
mv slaves.template slaves
vim slaves
#添加以下内容
hadoop
hadoop101
hadoop102

#修改 spark-env.sh.template 文件名为 spark-env.sh
mv spark-env.sh.template spark-env.sh

#修改 spark-env.sh 文件，添加 JAVA_HOME 环境变量和集群对应的 master 节点
export JAVA_HOME=/opt/module/jdk1.8.0_212
SPARK_MASTER_HOST=hadoop
SPARK_MASTER_PORT=7077
#注意：7077 端口，相当于 hadoop3 内部通信的 8020 端口，此处的端口需要确认自己的 Hadoop 配置

#分发 spark-standalone 目录
xsync spark-standalone

启动集群

# 执行脚本命令：
sbin/start-all.sh

在这里插入图片描述

查看Master资源监控Web UI 界面: http://hadoop:8080
在这里插入图片描述

提交应用

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar 10

--class 表示要执行程序的主类
--master spark://hadoop:7077 独立部署模式，连接到Spark 集群。
spark-examples_2.12-3.0.0.jar 运行类所在的 jar 包
数字 10 表示程序的入口参数，用于设定当前应用的任务数量。
运行结果：

执行任务时会产生多个Java进程：
在这里插入图片描述

执行任务时，默认采用服务器集群节点的总核数，每个节点内存 1024M。
在这里插入图片描述

提交参数说明

# 在提交应用中，一般会同时一些提交参数
bin/spark-submit \
--class <main-class> \
--master <master-url>  \
... # other options  	\
<application-jar> \ [application-arguments]

参数	解释	可选值举例
`--class`	Spark 程序中包含主函数的类
`--master`	Spark 程序运行的模式(环境)	模式： `local[*]` `spark://hadoop:7077` `Yarn`
`--executor-memory 1G`	指定每个 executor 可用内存为 1G	符合集群内存配置即可具体情况具体分析
`--total-executor-cores 2`	指定所有executor 使用的CPU核数为 2 个	同上
`--executor-cores`	指定每个executor 使用的CPU核数	同上
application-jar	打包好的应用 jar，包含依赖。这个 URL 在集群中全局可见。比如 `hdfs://` 共享存储系统如果是file:// path，那么所有的节点的path 都包含同样的 jar	同上
More Actions application-arguments	传给 main()方法的参数	同上

配置历史服务

由于 spark-shell 停止掉后，集群监控 hadoop:4040 页面就看不到历史任务的运行情况，所以开发时都配置历史服务器记录任务运行情况。

配置过程如下：

# 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf

# 修改 spark-default.conf 文件，配置日志存储路径
spark.eventLog.enabled                 true
spark.eventLog.dir                     hdfs://hadoop:8020/directory

#注意：需要启动 hadoop 集群，HDFS 上的 directory 目录需要提前存在。
sbin/start-dfs.sh
hadoop fs -mkdir /directory

#修改 spark-env.sh 文件, 添加日志配置
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080 
-Dspark.history.fs.logDirectory=hdfs://hadoop:8020/directory 
-Dspark.history.retainedApplications=30"

# 参数 1 含义：WEB UI 访问的端口号为 18080
# 参数 2 含义：指定历史服务器日志存储路径
# 参数 3 含义：指定保存 Application 历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

# 分发配置文件
xsync conf

# 重新启动集群和历史服务
sbin/start-all.sh
sbin/start-history-server.sh

# 重新执行任务
# 执行任务前需要启动hdfs
sbin/start-dfs.sh

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar 10

在这里插入图片描述

查看历史服务：http://hadoop:18080/
在这里插入图片描述

配置高可用（ HA）

所谓的高可用是因为当前集群中的 Master 节点只有一个，所以会存在单点故障问题。所以为了解决单点故障问题，需要在集群中配置多个 Master 节点，一旦处于活动状态的 Master 发生故障时，由备用 Master 提供服务，保证作业可以继续执行。这里的高可用一般采用Zookeeper 设置：

集群规划：

	hadoop	hadoop101	hadoop102
Spark	Master Zookeeper Worker	Master Zookeeper Worker	Zookeeper Worker

# 停止集群
sbin/stop-all.sh

# 启动zookeeper,这里的myzookeeper是写的集群启动脚本
 myzookeeper start

#修改 spark-env.sh 文件添加如下配置

#注释如下内容：
    #SPARK_MASTER_HOST=hadoop
    #SPARK_MASTER_PORT=7077

#添加如下内容:
#Master 监控页面默认访问端口为 8080，但是可能会和 Zookeeper 冲突，所以改成 8989，也可以自定义，访问 UI 监控页面时请注意
SPARK_MASTER_WEBUI_PORT=8989
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER 
-Dspark.deploy.zookeeper.url=hadoop,hadoop101,hadoop102
-Dspark.deploy.zookeeper.dir=/spark"

#分发配置文件
xsync conf/

#启动集群
sbin/start-all.sh

在这里插入图片描述

启动hadoop101的单独 Master 节点，此时hadoop101 节点 Master 状态处于备用状态。

[atguigu@hadoop101 spark-standalone]$ sbin/start-master.sh

在这里插入图片描述

提交应用到高可用集群：

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop:7077,hadoop101:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar 10

停止hadoop 的 Master 资源监控进程：
在这里插入图片描述

查看hadoop101的 Master 资源监控 Web UI，稍等一段时间后，hadoop101节点的 Master 状态
提升为活动状态。
在这里插入图片描述

4. Yarn模式

独立部署（Standalone）模式由 Spark 自身提供计算资源，无需其他框架提供资源。这种方式降低了和其他第三方资源框架的耦合性，独立性非常强。但是你也要记住，Spark 主要是计算框架，而不是资源调度框架，所以本身提供的资源调度并不是它的强项，所以还是和其他专业的资源调度框架集成会更靠谱一些。所以接下来我们来学习在强大的Yarn 环境下 Spark 是如何工作的（其实是因为在国内工作中，Yarn 使用的非常多）。

搭建Yarn模式环境

# 解压后放到/opt/module中
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
# 进入到/opt/module目录中
cd /opt/module
# 改名
mv spark-3.0.0-bin-hadoop3.2 spark-yarn

修改 hadoop 配置文件/opt/module/hadoop-3.2.2/etc/hadoop/yarn-site.xml并分发

<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认
是 true -->
<property>
 <name>yarn.nodemanager.pmem-check-enabled</name>
 <value>false</value>
</property>
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认
是 true -->
<property>
 <name>yarn.nodemanager.vmem-check-enabled</name>
 <value>false</value>
</property>

修改 conf/spark-env.sh，添加 JAVA_HOME 和 YARN_CONF_DIR 配置

# 改名
mv spark-env.sh.template spark-env.sh

# 添加 JAVA_HOME 和 YARN_CONF_DIR 配置
export JAVA_HOME=/opt/module/jdk1.8.0_212
YARN_CONF_DIR=/opt/module/hadoop-3.2.2/etc/hadoop

启动集群

注意这里我们的Spark并没有做集群

sbin/start-dfs.sh
# yarn的resourcemanager在hadoop101上
start-yarn.sh

启动yarn报错：

[atguigu@hadoop101 module]$ hadoop-3.2.2/sbin/start-yarn.sh 
Starting resourcemanager
hadoop-3.2.2/sbin/start-yarn.sh: line 54: hadoop_uservar_su: command not found
Starting nodemanagers
hadoop-3.2.2/sbin/start-yarn.sh: line 79: hadoop_uservar_su: command not found

在这里插入图片描述

在sbin/目录下使用就可以启动.....

提交任务

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar  10

查看 http://hadoop101:8088 页面，点击 History，查看历史页面
在这里插入图片描述

我们需要配置一下spark-yarn的历史服务器，才能点击History查看历史执行信息。
在这里插入图片描述

配置历史服务器

# 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf

# 修改 spark-default.conf 文件，配置日志存储路径
spark.eventLog.enabled                 true
spark.eventLog.dir                     hdfs://hadoop:8020/directory

#注意：需要启动 hadoop 集群，HDFS 上的 directory 目录需要提前存在。
sbin/start-dfs.sh
hadoop fs -mkdir /directory

#修改 spark-env.sh 文件, 添加日志配置
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080 
-Dspark.history.fs.logDirectory=hdfs://hadoop:8020/directory 
-Dspark.history.retainedApplications=30"

# 参数 1 含义：WEB UI 访问的端口号为 18080
# 参数 2 含义：指定历史服务器日志存储路径
# 参数 3 含义：指定保存 Application 历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

# 修改 spark-defaults.conf
spark.yarn.historyServer.address=hadoop:18080
spark.history.ui.port=18080

# 启动历史服务
sbin/start-history-server.sh

# 重新执行任务
# 执行任务前需要启动hdfs和yarn
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.0.0.jar 10

报了一个错：

Container killed on request. Exit code is 143
Container exited with a non-zero exit code 143
Failing this attempt. Failing the application.
        at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.waitForApplication(YarnClientSchedulerBackend.scala:95)
        at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:62)
        at org.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:201)
        at org.apache.spark.SparkContext.<init>(SparkContext.scala:550)
        at org.apache.spark.SparkContext$.getOrCreate(SparkContext.scala:2555)
        at org.apache.spark.sql.SparkSession$Builder.$anonfun$getOrCreate$1(SparkSession.scala:930)
        at scala.Option.getOrElse(Option.scala:189)
        at org.apache.spark.sql.SparkSession$Builder.getOrCreate(SparkSession.scala:921)
        at org.apache.spark.examples.SparkPi$.main(SparkPi.scala:30)
        at org.apache.spark.examples.SparkPi.main(SparkPi.scala)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:498)
        at org.apache.spark.deploy.JavaMainApplication.start(SparkApplication.scala:52)
        at org.apache.spark.deploy.SparkSubmit.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:928)
        at org.apache.spark.deploy.SparkSubmit.doRunMain$1(SparkSubmit.scala:180)
        at org.apache.spark.deploy.SparkSubmit.submit(SparkSubmit.scala:203)
        at org.apache.spark.deploy.SparkSubmit$$anon$2.doSubmit(SparkSubmit.scala:1007)
        at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:1016)
        at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)xxxxxxxxxx Container killed on request. Exit code is 143Container exited with a non-zero exit code 143Failing this attempt. Failing the application.        at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.waitForApplication(YarnClientSchedulerBackend.scala:95)        at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:62)        at org.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:201)        at org.apache.spark.SparkContext.<init>(SparkContext.scala:550)        at org.apache.spark.SparkContext$.getOrCreate(SparkContext.scala:2555)        at org.apache.spark.sql.SparkSession$Builder.$anonfun$getOrCreate$1(SparkSession.scala:930)        at scala.Option.getOrElse(Option.scala:189)        at org.apache.spark.sql.SparkSession$Builder.getOrCreate(SparkSession.scala:921)        at org.apache.spark.examples.SparkPi$.main(SparkPi.scala:30)        at org.apache.spark.examples.SparkPi.main(SparkPi.scala)        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)        at java.lang.reflect.Method.invoke(Method.java:498)        at org.apache.spark.deploy.JavaMainApplication.start(SparkApplication.scala:52)        at org.apache.spark.deploy.SparkSubmit.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:928)        at org.apache.spark.deploy.SparkSubmit.doRunMain$1(SparkSubmit.scala:180)        at org.apache.spark.deploy.SparkSubmit.submit(SparkSubmit.scala:203)        at org.apache.spark.deploy.SparkSubmit$$anon$2.doSubmit(SparkSubmit.scala:1007)        at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:1016)        at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)sssshell

解决方式:

因为之前安装的有hadoop2.7.2，其它节点的hadoop3.2.2环境变量没有配置（配的仍然是hadoop2.7.2的）。
在这里插入图片描述

Web 页面查看日志：http://hadoop101:8088
在这里插入图片描述

Spark历史服务器查看http://hadoop:18080/
在这里插入图片描述

5. Windows 模式

在同学们自己学习时，每次都需要启动虚拟机，启动集群，这是一个比较繁琐的过程，并且会占大量的系统资源，导致系统执行变慢，不仅仅影响学习效果，也影响学习进度， Spark 非常暖心地提供了可以在windows 系统下启动本地集群的方式，这样，在不使用虚拟机的情况下，也能学习 Spark 的基本使用，摸摸哒！

在后续的学习中，为了能够给同学们更加流畅的教学效果和教学体验，我们一般情况下都会采用windows 系统的集群来学习 Spark。

搭建Windows模式环境

#将文件 spark-3.0.0-bin-hadoop3.2.tgz 解压缩到无中文无空格的路径中
#执行解压缩文件路径下 bin 目录中的 spark-shell.cmd 文件，启动 Spark 本地环境

在这里插入图片描述

在 E:\hadoop\spark-3.0.0-bin-hadoop3.2\spark-3.0.0\data\ 目录中创建 word.txt 文件, 在命令行中输入脚本代码

sc.textFile("../data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

在这里插入图片描述

在 DOS 命令行窗口中执行提交指令

# bin目录下执行
spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10

在这里插入图片描述

6. K8S & Mesos 模式

Mesos 是Apache 下的开源分布式资源管理框架，它被称为是分布式系统的内核,在Twitter 得到广泛使用,管理着 Twitter 超过 30,0000 台服务器上的应用部署，但是在国内，依然使用着传统的Hadoop 大数据框架，所以国内使用 Mesos 框架的并不多，但是原理其实都差不多，这里我们就不做过多讲解了。
在这里插入图片描述

容器化部署是目前业界很流行的一项技术，基于Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是Kubernetes（k8s），而 Spark 也在最近的版本中支持了k8s 部署模式。这里我们也不做过多的讲解。

给个链接大家自己感受一下：https://spark.apache.org/docs/latest/running-on-kubernetes.html

在这里插入图片描述

☆

爱敲代码的小黑

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
打赏
2
评论
Spark学习复习（3.运行环境）

Spark运行环境Spark 作为一个数据处理框架和计算引擎，被设计在所有常见的集群环境中运行, 在国内工作中主流的环境为Yarn，不过逐渐容器式环境也慢慢流行起来。接下来，我们就分别看看不同环境下Spark 的运行。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IZSn0lX9-1649739301783)(assets/image-20210413140428154.png)]1. 部署模式对比Spark Master 内部通信服务端口号：7077Spark
复制链接

扫一扫