Spark基础【五种运行模式】

一 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。

容器式环境：发现集群规模不足够，会自动化生成所需要的环境，不需要多余集群机器时，也会自动删除

Spark运行环境 = Java环境（JVM） + 集群环境（Yarn） + Spark环境（lib）

1 Local模式

本机提供资源 Spark提供计算

（1）Local模式安装

之前一直在使用的模式不是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中运行代码的环境称之为开发环境，不太一样。

# local模式安装
# 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

spark文件目录说明

• bin：可执行的二进制命令文件，脚本文件
• conf：配置文件，其中以.template后缀结尾的文件不会起作用，称为模板文件
• data：官方提供的教学数据
• examples：官方案例
  • jars：官方案例的jar包
  • src：官方案例的源码
• jars：当前spark的lib，类库
• kubernetes：容器式部署环境
• sbin：启动关闭的脚本命令
• python，R，yarn

# 启动Local环境
# 进入解压缩后的路径，执行如下指令
bin/spark-shell
# 启动成功后，可以输入网址进行Web UI监控页面访问
# http://虚拟机地址:4040
# 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
# 退出本地模式，按键Ctrl+C或输入Scala指令
:quit

（2）提交应用

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

参数说明：

• –class表示要执行程序的主类，此处可以更换为自己写的应用程序
• –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

将之前写的WordCount程序打包上传到服务器，目录为/opt/module/spark-local/jars

bin/spark-submit \
--class com.hike.bigdata.spark.wc.Spark01_WordCount_Env \
--master local[2] \
./jars/spark-1.0-SNAPSHOT.jar

执行结果

2 Standalone模式

Spark提供资源 Spark提供计算

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。

（1）分布式主要设计思想

• 是否有中心节点（Master）

  负责资源的调度，存储整个集群的元数据，Meta Center

• 是否有主从关系（Master-Slaver）

  集群中的每台机器（每个Node）是否有副本

集群规划:

	hadoop101	hadoop102	hadoop103
Spark	Worker Master	Worker	Worker

（2）Standlone模式安装

# 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
# 进入解压缩后路径的conf目录，修改slaves.template文件名为slaves
mv slaves.template slaves
# 修改slaves文件，添加worker节点（各主机名），删除localhost后添加
hadoop101
hadoop102
hadoop103
# 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_144
SPARK_MASTER_HOST=hadoop101
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

（3）启动集群

sbin/start-all.sh

查看三台服务器运行进程

================hadoop101================
3330 Jps
3238 Worker
3163 Master
================hadoop102================
2966 Jps
2908 Worker
================hadoop103================
2978 Worker
3036 Jps

查看Master资源监控Web UI界面（同上）

（4）提交应用

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

参数说明：

• –class表示要执行程序的主类

• –master spark://hadoop101:7077 独立部署模式，连接到Spark集群

  Mater的地址和端口号

• 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（用于计算）执行完成就会释放掉。

其中Master和Worker是资源，默认采用服务器集群节点的总核数，每个节点内存1024M。

（5）提交参数说明

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://hadoop101:7077、 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
–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

（6）配置历史服务

由于spark-shell停止掉后，集群监控hadoop101:4040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。

由于spark将历史服务信息存储到了hdfs，所以在配置前需要开启hadoop

# 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://hadoop101:8020/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://hadoop101:8020/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
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop101:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
# 查看历史服务：http://hadoop101:18080
# 可以找到刚刚执行的作业信息

（7）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:

	hadoop101	hadoop102	hadoop103
Spark	Master Zookeeper Worker	Master Zookeeper Worker	Zookeeper Worker

# 停止hadoop，spark和历史服务器
xcall hadoop stop
sbin/stop-all.sh 
sbin/stop-history-server.sh
# 启动Zookeeper
xstart zk 
# 修改spark-env.sh文件添加如下配置
# 注释如下内容：
#SPARK_MASTER_HOST=hadoop101
#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=hadoop101,hadoop102,hadoop103
-Dspark.deploy.zookeeper.dir=/spark"
# 分发配置文件
xsync conf/ 
# 启动hadoop，spark集群，日志服务器
scall hadoop start
sbin/start-all.sh 
sbin/start-history-server.sh
# 此时hadoop102节点Master状态处于备用状态,启动hadoop102的单独Master节点
sbin/start-master.sh
# 提交应用到高可用集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop101:7077,hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
# 执行成功后，为了体现高可用，停止hadoop101的Master资源监控进程
kill -9 hadoop101中Master的端口号
# 查看hadoop102的Master 资源监控Web UI，稍等一段时间后，hadoop102节点的Master状态提升为活动状态

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。所以接下来需要学习在强大的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）。

（1）Yarn模式安装

# 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
# 修改hadoop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>

# 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
# 添加如下内容
export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop
# 启动hadoop

（2）提交应用

此时，Yarn中的NM没有spark执行的相关类库，所以需要一台机器（Spark Node）向Yarn传递所需要的spark环境，主要传递一些类库，配置文件和一些应用程序

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://hadoop102:8088页面，点击History，查看历史页面

（3）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://hadoop101:8020/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://hadoop101:8020/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=hadoop101:18080
spark.history.ui.port=18080
# 启动历史服务
sbin/start-history-server.sh 
# 重新提交应用
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
# Web页面查看日志：http://hadoop102:8088

4 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。

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。

5 Windows模式

在自己学习时，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。

（1）Windows模式安装

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

（2）启动本地环境

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bin目录中创建data目录，并添加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

（3）命令行提交应用

在DOS命令行窗口中执行提交指令

在bin目录下cmd

spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10

资源监控页面地址如下

6 部署模式对比

模式	Spark安装机器数	需启动的进程	所属者	应用场景
Local	1	无	Spark	测试
Standalone	3	Master及Worker	Spark	单独部署
Yarn	1	Yarn及HDFS	Hadoop	混合部署

7 端口号

• Spark查看当前Spark-shell运行任务情况端口号：4040（计算）
• Spark Master内部通信服务端口号：7077
• Standalone模式下，Spark Master Web端口号：8080（资源）
• Spark历史服务器端口号：18080
• Hadoop YARN任务运行情况查看端口号：8088