Spark作为一个分布式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:
1. 本地模式
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
1.1 本地模式的安装配置
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
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module
mv spark-3.0.0-bin-hadoop3.2 spark-local
这就安装好了,也不需要多余的配置;
1.2 本地模式的使用
1.2.1 启动Local环境
进入解压缩后的路径,执行如下指令就启动了Local环境
bin/spark-shell
1.2.2 Web UI监控页面访问
http://虚拟机地址:4040
该页面只有在Spark任务运行的过程中才能访问,任务执行完连接不上了
1.2.3 命令行工具
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)
sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
1.2.4 退出本地模式
按键Ctrl+C或输入Scala指令:quit
1.2.5 提交应用
实际开发中,都是在idea中开发,然后打成jar包,提交应用
提交一个已经写好的程序:
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【同时执行的Task个数】
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
2. Standalone模式
2.1 standalone模式是什么?
- Spark自身就可以配置集群模式,不用依赖于外部的资源调度框架比如yarn,也就是我们所谓的独立部署(Standalone)模式
- Spark的Standalone模式也是经典的主从架构
2.2 standalone模式的配置
1.集群规划
2.解压缩文件
将spark-3.0.0-bin-hadoop3.2.tgz文件上传到Linux并解压缩在指定位置
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module
mv spark-3.0.0-bin-hadoop3.2 spark-standalone
3.修改配置文件
1.slavers配置
1.进入解压缩后路径的conf目录,修改slaves.template文件名为slaves
去掉后缀,才能生效
mv slaves.template slaves
2.修改slaves文件,添加work节点
hadoop102
hadoop103
hadoop104
2.master配置
1.修改spark-env.sh.template文件名为spark-env.sh 配置master
mv spark-env.sh.template spark-env.sh
2.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_144
# master节点所在主机的ip
SPARK_MASTER_HOST= hadoop102
# master节点在集群内部通信端口
SPARK_MASTER_PORT= 7077
注意:7077端口,相当于hadoop3.x内部通信的8020端口
3.分发Spark主目录
分发spark-standalone目录,因为standalone是个集群模式
xsync spark-standalone
2.3 使用standalone集群
1.启动集群
#启动集群
sbin/start-all.sh
该命令可以启动standalone集群中所有节点,可以看出先启动Master,然后启动三个Worker
查看三台服务器运行进程:
================linux1================
3330 Jps
3238 Worker
3163 Master
================linux2================
2966 Jps
2908 Worker
================linux3================
2978 Worker
3036 Jps
2.查看Master资源监控Web UI界面: http://hadoop102:8080
3.提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
- –class表示要执行程序的主类
- –master spark://linux1:7077 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
执行任务时,会产生多个Java进程,这些进程用于启动Task线程
2.4 Standalone 模式运行机制
Standalone 集群有 2 个重要组成部分,分别是:
- Master(RM):是一个进程,主要负责资源的调度和分配,并进行集群的监控等职责;
- Worker(NM):是一个进程,一个 Worker 运行在集群中的一台服务器上,主要负责两个职责,一个是用自己的内存存储 RDD 的某个或某些 partition;另一个是启动其他进程和线程(Executor),对 RDD 上的 partition 进行并行的处理和计算。
2.4.1 Standalone Cluster 模式
2.4.2 Standalone Client 模式
3. 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
3.1 yarn模式配置
1.解压缩文件
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
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module
mv spark-3.0.0-bin-hadoop3.2 spark-yarn
2.修改配置文件
- 修改hadoop的配置文件/opt/module/hadoop/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>
Yarn是个资源调度平台,resourcemanage
r给某个节点分配容器,该容器不能超过1个G的内存,如果想用超过1G的内存,那么就侵犯了别的容器的资源,就只能把他关掉
- 修改conf/spark-env.sh,添加JAVA_HOME和YARN_CONF_DIR配置
mv spark-env.sh.template spark-env.sh
vim spark-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_212
YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop
#Yarn的配置文件所在目录,让yarn能够找到yarn-site.xml文件
3.2 使用spark on yarn
- 使用这个模式必须启动HDFS以及YARN集群
bin/start-dfs.sh
bin/start-yarn.sh
- 提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \ --运行环境为yarn
--deploy-mode cluster \ --集群部署模式
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
3.3 YARN Cluster 模式作业流程
- 执行脚本提交任务,实际是启动一个
SparkSubmit
的 JVM 进程; - SparkSubmit 类中的 main 方法反射调用
YarnClusterApplication
的 main 方法; YarnClusterApplication
创建 Yarn 客户端,然后向 Yarn 服务器发送执行指令:bin/java ApplicationMaster
;- Yarn 框架收到指令后会在指定的 NM 中启动
ApplicationMaster进程
; ApplicationMaster进程
中启动子线程Driver
线程,执行用户的作业;- AM 向 RM 注册,申请资源;
- 获取资源后 AM 向 NM 发送指令:
bin/java YarnCoarseGrainedExecutorBackend
启动Executor进程; CoarseGrainedExecutorBackend
进程会接收消息,跟 Driver 通信,注册已经启动的Executor;然后启动计算对象 Executor 等待接收任务- Driver 线程继续执行完成作业的调度和任务的执行。
- Driver 分配任务并监控任务的执行。
3.4 YARN Client 模式作业流程
- 执行脚本提交任务,实际是启动一个 SparkSubmit 的 JVM 进程;
- SparkSubmit 类中的 main 方法反射调用用户代码的 main 方法;
- 启动 Driver 线程,执行用户的作业,并创建
ScheduleBackend
; - YarnClientSchedulerBackend 向 RM 发送指令:
bin/java ExecutorLauncher
; - Yarn 框架收到指令后会在指定的 NM 中启动 ExecutorLauncher(实际上还是调用ApplicationMaster 的 main 方法);
- AM 向 RM 注册,申请资源;
- 获取资源后 AM 向 NM 发送指令:
bin/java CoarseGrainedExecutorBackend
; - CoarseGrainedExecutorBackend 进程会接收消息,跟 Driver 通信,注册已经启动的Executor;然后启动计算对象 Executor 等待接收任务
- Driver 分配任务并监控任务的执行。
注意:SparkSubmit、ApplicationMaster 和 YarnCoarseGrainedExecutorBackend 是独立的进
程;Executor 和 Driver 是对象。
4.Spark提交任务参数说明
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]
--class
Spark程序中包含主函数的类
--master
Spark程序运行的模式(环境)
- local[*] 表示本地模式下运行
- spark://linux1:7077 表示standalone模式下运行
- Yarn 表示yarn环境运行
--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
--executor-cores
指定每个executor使用的cpu核数
application-jar
- 打包好的应用jar,包含依赖。
- 这个URL必须在集群中全局可见。
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
application-arguments
传给main()方法的参数