Spark Local模式的基本原理及部署

基本原理

• Local模式的本质就是启动一个JVM Process进程（里面有多个进程），执行任务Task

  • Local模式可以限制模拟Spark环境的线程数量，即Local[N] 或 Local[*]。
  • N表示N个线程，每个线程拥有一个cpu核，默认为1，通常几个核指定几个线程。
  • 如果是local[*]，就是按照CPU最多的cores设置线程数。

• Local角色分布：

  • 资源管理
    • Master：Local进程本身
    • Worker：Local进程本身
  • 任务执行：
    • Driver：Local进程本身
    • Executor：不存在，没有独立的Executor角色, 由Local进程(也就是Driver)内的线程提供计算能力。

安装部署

1. 解压安装包
   安装包在此链接下载

tar -zxvf spark-3.2.0-bin-hadoop3.2.tgz -C /export/server/
mv spark-3.2.0-bin-hadoop3.2/ spark-3.2.0

2. 设置环境变量

• SPARK_HOME: 表示Spark安装路径在哪里
• PYSPARK_PYTHON: 表示Spark想运行Python程序, 那么去哪里找python执行器
• JAVA_HOME: 告知Spark Java在哪里
• HADOOP_CONF_DIR: 告知Spark Hadoop的配置文件在哪里
• HADOOP_HOME: 告知Spark Hadoop安装在哪里

vim /etc/profile
#SPARK_HOME
export HADOOP_HOME=/export/server/spark-3.2.0
#pyspark虚拟环境
export PYSPARK_PYTHON=/export/server/anaconda3/envs/pyspark/bin/python3.8
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

source /etc/profile
#同样也需要在~/.bashrc上配置

3. 启动pyspark

cd /export/server/spark-3.2.0/bin
./pyspark
#所有进程执行
./pyspark --master local[*]

4. 测试数据

sc.parallelize([1,2,3,4,5]).map(lambda x: 2 * x + 1).collect()
#输出
[3, 5, 7, 9, 11]

5. 查看运行监控页面
   输入地址：http://node1（主机的ip）:4040

6. Scala环境测试

./spark-shell
sc.parallelize(Array(1,2,3,4,5)).map(x => 2*x + 1).collect()
#输出
res0: Array[Int] = Array(3, 5, 7, 9, 11)

7. spark-submit提交代码测试

 ./spark-submit --master local[*] /export/server/spark-3.2.0/examples/src/main/python/pi.py 10

总结

• Spark 4040端口表示spark的 job执行监控页面。如果在local模式下同时开启spark-shell和spark-shell两个环境，后面开启spark会绑定在4041端口上（端口顺延）。