目录
一、Spark运行模式
部署Spark集群大体上分为两种模式:单机模式与集群模式
大多数分布式框架都支持单机模式,方便开发者调试框架的运行环境。但是在生产环境中,并不会使用单机模式。因此,后续直接按照集群模式部署Spark集群。
下面详细列举了Spark目前支持的部署模式。
(1)Local模式:在本地部署单个Spark服务
(2)Standalone模式:Spark自带的任务调度模式。(国内常用)
(3)YARN模式:Spark使用Hadoop的YARN组件进行资源与任务调度。(国内常用)
(4)Mesos模式:Spark使用Mesos平台进行资源与任务的调度。
二、Spark安装地址
1)官网地址:http://spark.apache.org/
2)文档查看地址:https://spark.apache.org/docs/3.0.0/
3)下载地址:https://spark.apache.org/downloads.html
https://archive.apache.org/dist/spark/
三、Local模式
Local模式就是运行在一台计算机上的模式,通常就是用于在本机上练手和测试。
3.1 安装使用
1)上传并解压Spark安装包
[hadoop@hadoop102 sorfware]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
[hadoop@hadoop102 module]$ mv spark-3.0.0-bin-hadoop3.2 spark-local
2)官方求PI案例
[hadoop@hadoop102 spark-local]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
可以查看spark-submit所有参数:
[hadoop@hadoop102 spark-local]$ bin/spark-submit
-
–class:表示要执行程序的主类;
-
–master local[2]
(1)local: 没有指定线程数,则所有计算都运行在一个线程当中,没有任何并行计算
(2)local[K]:指定使用K个Core来运行计算,比如local[2]就是运行2个Core来执行
(3)local[*]:默认模式。自动帮你按照CPU最多核来设置线程数。比如CPU有8核,Spark帮你自动设置8个线程计算。 -
spark-examples_2.12-3.0.0.jar:要运行的程序;
-
10:要运行程序的输入参数(计算圆周率π的次数,计算次数越多,准确率越高);
3)结果展示
该算法是利用蒙特·卡罗算法求PI
四、集群角色
4.1 Master和Worker集群资源管理
Master和Worker是Spark的守护进程、集群资源管理者,只有Standalong模式下才会使用。
Master负责管理集群的资源,Worker负责管理单个节点的资源,类似于Yarn中的RM和NM。
4.2 Driver和Executor任务的管理者
Driver和Exector是临时程序,当具体任务提交到Spark才会开启。
Driver负责把用户程序转换为Job,为执行器节点分配具体任务并监控Executor的执行情况,将执行情况展示在UI界面。
Executor接受Driver分派的任务,负责具体执行。
五、Standalone模式
Standalone模式是Spark自带的资源调动引擎,构建一个由Master + Slave构成的Spark集群,Spark运行在集群中。
这个要和Hadoop中的Standalone区别开来。这里的Standalone是指只用Spark来搭建一个集群,不需要借助Hadoop的Yarn和Mesos等其他框架。
5.1 安装使用
1)集群规划
2)再解压一份Spark安装包,并修改解压后的文件夹名称为spark-standalone
[hadoop@hadoop102 sorfware]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
[hadoop@hadoop102 module]$ mv spark-3.0.0-bin-hadoop3.2 spark-standalone
3)进入Spark的配置目录/opt/module/spark-standalone/conf
[hadoop@hadoop102 spark-standalone]$ cd conf
4)修改slave文件,添加work节点:
[hadoop@hadoop102 conf]$ mv slaves.template slaves
[hadoop@hadoop102 conf]$ vim slaves
hadoop102
hadoop103
hadoop104
5)修改spark-env.sh文件,添加master节点
[hadoop@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
[hadoop@hadoop102 conf]$ vim spark-env.sh
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
6)分发spark-standalone包
[hadoop@hadoop102 module]$ xsync spark-standalone/
分发脚本详见集群搭建篇
7)启动spark集群
[hadoop@hadoop102 spark-standalone]$ sbin/start-all.sh
查看三台服务器运行进程(xcall.sh脚本详见集群搭建篇)
[hadoop@hadoop102 spark-standalone]$ xcall.sh jps
================atguigu@hadoop102================
3330 Jps
3238 Worker
3163 Master
================atguigu@hadoop103================
2966 Jps
2908 Worker
================atguigu@hadoop104================
2978 Worker
3036 Jps
注意:如果遇到 “JAVA_HOME not set” 异常,可以在sbin目录下的spark-config.sh 文件中加入如下配置:
export JAVA_HOME=XXXX
8)网页查看:hadoop102:8080(master web的端口,相当于hadoop的8088端口)
目前还看不到任何任务的执行信息。
9)官方求PI案例
[hadoop@hadoop102 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
参数:--master spark://hadoop102:7077指定要连接的集群的master
10)页面查看http://hadoop102:8080/,发现执行本次任务,默认采用三台服务器节点的总核数24核,每个节点内存1024M。
8080:master的webUI
4040:application的webUI的端口号
5.2 参数说明
5.3 配置历史服务
由于spark-shell停止掉后,hadoop102:4040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。
1)修改spark-default.conf.template名称
[hadoop@hadoop102 conf]$ mv spark-defaults.conf.template spark-defaults.conf
2)修改spark-default.conf文件,配置日志存储路径(写),并分发
[hadoop@hadoop102 conf]$ vi spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
[hadoop@hadoop102 conf]$ xsync spark-defaults.conf
注意:需要启动Hadoop集群,HDFS上的目录需要提前存在。
[hadoop@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[hadoop@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /directory
3)修改spark-env.sh文件,添加如下配置:
[hadoop@hadoop102 conf]$ vi spark-env.sh
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory
-Dspark.history.retainedApplications=30"
# 参数1含义:WEBUI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(读)
# 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。
4)分发配置文件
[hadoop@hadoop102 conf]$ xsync spark-env.sh
5)启动历史服务
[hadoop@hadoop102 spark-standalone]$
sbin/start-history-server.sh
6)再次执行任务
[hadoop@hadoop102 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
7)查看Spark历史服务地址:hadoop102:18080
5.4 配置高可用(HA)
1)高可用原理
2)配置高可用
(0)停止集群
[hadoop@hadoop102 spark-standalone]$ sbin/stop-all.sh
(1)Zookeeper正常安装并启动
[hadoop@hadoop102 zookeeper-3.4.10]$ zk.sh start
(2)修改spark-env.sh文件添加如下配置:
[hadoop@hadoop102 conf]$ vi spark-env.sh
#注释掉如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
#添加上如下内容。配置由Zookeeper管理Master,在Zookeeper节点中自动创建/spark目录,用于管理:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104
-Dspark.deploy.zookeeper.dir=/spark"
#添加如下代码
#Zookeeper3.5的AdminServer默认端口是8080,和Spark的WebUI冲突
export SPARK_MASTER_WEBUI_PORT=8989
(3)分发配置文件
[hadoop@hadoop102 conf]$ xsync spark-env.sh
(4)在hadoop102上启动全部节点
[hadoop@hadoop102 spark-standalone]$ sbin/start-all.sh
(5)在hadoop103上单独启动master节点
[hadoop@hadoop103 spark-standalone]$ sbin/start-master.sh
(6)在启动一个hadoop102窗口,将/opt/module/spark-local/input数据上传到hadoop集群的/input目录
[hadoop@hadoop102 spark-standalone]$ hadoop fs -put /opt/module/spark-local/input/ /input
(7)Spark HA集群访问
[hadoop@hadoop102 spark-standalone]$
bin/spark-shell \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2g \
--total-executor-cores 2
参数:--master spark://hadoop102:7077指定要连接的集群的master
(8)执行WordCount程序
scala>sc.textFile("hdfs://hadoop102:8020/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))
3)高可用测试
(1)查看hadoop102的master进程
[hadoop@hadoop102 ~]$ jps
5506 Worker
5394 Master
5731 SparkSubmit
4869 QuorumPeerMain
5991 Jps
5831 CoarseGrainedExecutorBackend
(2)Kill掉hadoop102的master进程,页面中观察http://hadoop103:8080/的状态是否切换为active。
[hadoop@hadoop102 ~]$ kill -9 5394
(3)再启动hadoop102的master进程
[hadoop@hadoop102 spark-standalone]$ sbin/start-master.sh
5.5 运行流程
Spark有standalone-client和standalone-cluster两种模式,主要区别在于:Driver程序的运行节点。
1)客户端模式
[hadoop@hadoop102 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
--deploy-mode client,表示Driver程序运行在本地客户端
2)集群模式模式
[hadoop@hadoop102 spark-standalone]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
--deploy-mode cluster,表示Driver程序运行在集群
六、Yarn模式(重点)
Spark客户端直接连接Yarn,不需要额外构建Spark集群。
6.1 安装使用
0)停止Standalone模式下的spark集群
[hadoop@hadoop102 spark-standalone]$ sbin/stop-all.sh
[hadoop@hadoop102 spark-standalone]$ zk.sh stop
[hadoop@hadoop103 spark-standalone]$ sbin/stop-master.sh
1)为了防止和Standalone模式冲突,再单独解压一份spark
[hadoop@hadoop102 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
2)进入到/opt/module目录,修改spark-3.0.0-bin-hadoop3.2名称为spark-yarn
[hadoop@hadoop102 module]$ mv spark-3.0.0-bin-hadoop3.2/ spark-yarn
3)修改hadoop配置文件/opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml,添加如下内容
因为测试环境虚拟机内存较少,防止执行过程进行被意外杀死,做如下配置
[hadoop@hadoop102 hadoop]$ vi yarn-site.xml
<!--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>
4)分发配置文件
[hadoop@hadoop102 conf]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml
5)修改/opt/module/spark-yarn/conf/spark-env.sh,添加YARN_CONF_DIR配置,保证后续运行任务的路径都变成集群路径
[hadoop@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
[hadoop@hadoop102 conf]$ vi spark-env.sh
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
6)启动HDFS以及YARN集群
[hadoop@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[hadoop@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
7)执行一个程序
[hadoop@hadoop102 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
参数:--master yarn,表示Yarn方式运行;--deploy-mode表示客户端方式运行程序
8)如果运行的时候,抛出异常ClassNotFoundException:com.sun.jersey.api.client.config.ClientConfig
-原因分析:Spark2中jersey版本是2.22,但是yarn中还需要依赖1.9,版本不兼容
-解决方式:在yarn-site.xml中,添加
<property>
<name>yarn.timeline-service.enabled</name>
<value>false</value>
</property>
9)查看hadoop103:8088页面,点击History,查看历史页面
6.2 配置历史服务
由于是重新解压的Spark压缩文件,所以需要针对Yarn模式,再次配置一下历史服务器。
1)修改spark-default.conf.template名称
[hadoop@hadoop102 conf]$ mv spark-defaults.conf.template spark-defaults.conf
2)修改spark-default.conf文件,配置日志存储路径(写)
[hadoop@hadoop102 conf]$ vi spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
3)修改spark-env.sh文件,添加如下配置:
[hadoop@hadoop102 conf]$ vi spark-env.sh
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory
-Dspark.history.retainedApplications=30"
# 参数1含义:WEBUI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。
6.3 配置查看历史日志
为了从Yarn上关联到Spark历史服务器,需要配置关联路径。
1)修改配置文件/opt/module/spark-yarn/conf/spark-defaults.conf
添加如下内容:
spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080
2)重启Spark历史服务
[hadoop@hadoop102 spark-yarn]$ sbin/stop-history-server.sh
[hadoop@hadoop102 spark-yarn]$ sbin/start-history-server.sh
3)提交任务到Yarn执行
[hadoop@hadoop102 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
4)Web页面查看日志:http://hadoop103:8088/cluster
点击“history”跳转到http://hadoop102:18080/
6.4 运行流程
Spark有yarn-client和yarn-cluster两种模式,主要区别在于:Driver程序的运行节点。
yarn-client:Driver程序运行在客户端,适用于交互、调试,希望立即看到app的输出。
yarn-cluster:Driver程序运行在由ResourceManager启动的APPMaster适用于生产环境。
1)客户端模式(默认)
[hadoop@hadoop102 spark-yarn]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
客户端向通过SparkSubmit向Yarn提交任务时,会在本地创建Driver进程并向RM进行任务注册,RM收到任务后在NM上启动一个ApplicationMaster负责任务的管理,同时AM向RM申请资源创建Executoer,Executor向Driver进行反向注册获取具体任务进行处理,任务结束后AM会向RM进行注销,释放占用资源。
2)集群模式
[hadoop@hadoop102 spark-yarn]$ 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
与客户端提交方式不同的是,集群模式提交任务时RM会先启动AM,然后在AM所在节点启动Driver进程。