Spark_spark的集群环境安装搭建

最新推荐文章于 2024-07-17 19:12:33 发布

_WeiA

最新推荐文章于 2024-07-17 19:12:33 发布

阅读量378

点赞数

分类专栏： Spark 文章标签： spark

本文链接：https://blog.csdn.net/weixin_44449054/article/details/114193628

版权

Spark 专栏收录该内容

29 篇文章 0 订阅

订阅专栏

标题

在这里插入图片描述

1.spark local模式运行环境搭建

常用于本地开发测试，本地还分为local单线程和local-cluster多线程;
该模式被称为Local[N]模式，是用单机的多个线程来模拟Spark分布式计算，直接运行在本地，便于调试，用于验证开发出来的应用程序逻辑上有没有问题。
(1) N代表可以使用N个线程，每个线程拥有一个core。如果不指定N，则默认是1个线程（该线程有1个core）。
(2) 如果是local[*]，代表核数

1、上传压缩包并解压
上传spark压缩包到/export/softwares并解压(重新编译后的)
tar -zxf spark-2.2.0-bin-2.6.0-cdh5.14.0.tgz -C /export/servers/

2、修改spark的配置文件
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
cp spark-env.sh.template spark-env.sh

3、启动验证进入spark-shell
启动验证
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
./bin/spark-shell --master local
退出spark shell客户端
:quit
在这里插入图片描述

4、运行spark自带的测试jar包
查看如何使用spark-submit：spark-submit --help
执行我们spark自带的程序jar包运算圆周率

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
--executor-memory 1G \
--total-executor-cores 2 \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
100

结果：
在这里插入图片描述
注：其中100表示迭代计算100次来求取我们圆周率的值，注意迭代计算的次数越多，最终求得的值就会越接近圆周率的值

2.spark的standAlone模式

1、修改配置文件
(1) node01修改spark-env.sh
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
vim spark-env.sh

export JAVA_HOME=/export/servers/jdk1.8.0_141
export SPARK_MASTER_HOST=node01
export SPARK_MASTER_PORT=7077
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=4000 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node01:8020/spark_log"

(2) 修改slaves文件
node01修改slaves配置文件
cp slaves.template slaves
vim slaves

node02
node03

(3) 修改spark-defaults.conf
将spark程序的运行日志保存到hdfs上面，方便运行程序之后的开发调试
node01修改spark-defaults.conf
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
cp spark-defaults.conf.template spark-defaults.conf
vim spark-defaults.conf

spark.eventLog.enabled  true
spark.eventLog.dir       hdfs://node01:8020/spark_log
spark.eventLog.compress true

(4) hdfs创建日志文件存放的目录
hdfs dfs -mkdir -p /spark_log

2、安装包分发到其他机器
node01服务器执行以下命令
cd /export/servers/
scp -r spark-2.2.0-bin-2.6.0-cdh5.14.0/ node02:$PWD
scp -r spark-2.2.0-bin-2.6.0-cdh5.14.0/ node03:$PWD

3、启动spark程序
node01服务器执行以下命令启动spark程序
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
sbin/start-all.sh
sbin/start-history-server.sh

4、浏览器页面访问
浏览器页面访问spark
http://node01:8080/
在这里插入图片描述

查看spark任务的历史日志
http://node01:4000/
在这里插入图片描述

5、使用进入spark-shell
node01执行以下命令进入spark-shell
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
bin/spark-shell --master spark://node01:7077
退出spark-shell
scala>:quit

6、运行spark自带的测试jar包

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
100

结果: 同上
注：其中100表示迭代计算100次来求取我们圆周率的值，注意迭代计算的次数越多，最终求得的值就会越接近圆周率的值

3.spark的HA模式

在这里插入图片描述

为了解决master单节点的故障，spark也支持master的高可用配置，其中spark的高可用HA模式支持两种方式，一种是手动切换，另外一种是借助zookeeper实现自动切换

1、停止spark集群
停止spark的所有进程
node01服务器执行以下命令停止spark集群
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
sbin/stop-all.sh
sbin/stop-history-server.sh

2、修改配置文件
node01服务器修改spark-env.sh
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
vim spark-env.sh

export JAVA_HOME=/export/servers/jdk1.8.0_141
#export SPARK_MASTER_HOST=node01

export SPARK_MASTER_PORT=7077

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=4000 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node01:8020/spark_log"

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181 -Dspark.deploy.zookeeper.dir=/spark"

修改slaves文件（standAlone模式已经修改过，不用修改了）
node01修改slaves配置文件
cp slaves.template slaves
vim slaves

node02
node03

修改spark-defaults.conf（standAlone模式已经修改过，不用修改了）
spark的程序运行，我们为了方便调试开发，一般我们都会配置spark的运行日志，将spark程序的运行日志保存到hdfs上面，方便我们运行程序之后的开发调试
node01修改spark-defaults.conf
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
cp spark-defaults.conf.template spark-defaults.conf
vim spark-defaults.conf

spark.eventLog.enabled  true
spark.eventLog.dir       hdfs://node01:8020/spark_log
spark.eventLog.compress true

hdfs创建日志文件存放的目录
hdfs dfs -mkdir -p /spark_log

3、配置文件分发到其他服务器
node01服务器执行以下命令进行分发
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
scp spark-env.sh node02:$PWD
scp spark-env.sh node03:$PWD

4、启动spark集群
node01服务器执行以下命令启动spark集群
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
sbin/start-all.sh
sbin/start-history-server.sh

node02服务器启动master节点
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
sbin/start-master.sh

5、浏览器页面访问
Active：http://node01:8080/
在这里插入图片描述

Stand by：http://node02:8080/
在这里插入图片描述

6、进入spark-shell
node01执行以下命令进入spark-shell
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/
bin/spark-shell --master spark://node01:7077,node02:7077

7、运行spark自带的测试jar包

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077,node02:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
100

4.spark的on yarn模式

spark on yarn 模式官方文档说明
http://spark.apache.org/docs/latest/running-on-yarn.html
http://spark.apache.org/docs/latest/running-on-yarn.html#configuration

如果spark程序是运行在yarn上面的话，那么我们就不需要spark 的集群了，我们只需要找任意一台机器配置我们的spark的客户端提交任务到yarn集群上面去即可

注意： 如果yarn集群资源不够，我们可以在yarn-site.xml当中添加以下两个配置，然后重启yarn集群，跳过yarn集群资源的检查

<property>
	<name> yarn.nodemanager.pmem-check-enabled</name>
	<value>false</value>
</property>
<property>
	<name> yarn.nodemanager.vmem-check-enabled</name>
	<value>false</value>
</property>

1、环境准备
第一步：三台机器修改spark-env.sh
第一台机器修改spark-env.sh配置文件
第一台机器node01执行以下命令修改spark-env.sh配置文件
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
vim spark-env.sh

export HADOOP_CONF_DIR=/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop
export YARN_CONF_DIR=/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop

将第一台机器的spark-env.sh配置文件同步到第二台和第三台机器上面去
第一台机器执行以下命令同步spark-env.sh配置文件
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf
scp spark-env.sh node02:$PWD
scp spark-env.sh node03:$PWD

2、三台机器添加spark环境变量
三台机器修改/etc/profile配置文件添加spark的环境变量
三台机器执行以下命令添加spark环境变量
vim /etc/profile

export SPARK_HOME=/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
export PATH=:$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH

source /etc/profile

1.spark on yarn client模式提交任务

1、任务提交命令
node03服务器执行以下命令，将spark计算任务提交到yarn集群上面去
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

结果：
在这里插入图片描述

2、任务提交过程解析
在这里插入图片描述
(1) 客户端提交一个Application，在客户端启动一个Driver进程。
(2) Driver进程会向RS(ResourceManager)发送请求，启动AM(ApplicationMaster)的资源。
(3) RS收到请求，随机选择一台NM(NodeManager)启动AM。这里的NM相当于Standalone中的Worker节点。
(4) AM启动后，会向RS请求一批container资源，用于启动Executor.
RS会找到一批NM返回给AM,用于启动Executor。
(5) AM会向NM发送命令启动Executor。
(6) Executor启动后，会反向注册给Driver，Driver发送task到Executor,执行情况和结果返回给Driver端。

总结：
1、Yarn-client模式是适用于测试，因为Driver运行在本地，Driver会与yarn集群中的Executor进行大量的通信，会造成客户机网卡流量的大量增加.
2、 ApplicationMaster的作用：为当前的Application申请资源, 给NodeManager发送消息启动Executor

2.spark on yarn cluster模式提交任务

1、任务提交命令
node03执行以下命令提交spark任务
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0

bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 1 \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

结果：同上

2、任务提交过程解析
在这里插入图片描述

(1) 客户机提交Application应用程序，发送请求到RS(ResourceManager),请求启动AM(ApplicationMaster)。
(2) RS收到请求后随机在一台NM(NodeManager)上启动AM（相当于Driver端）。
(3) AM启动，AM发送请求到RS，请求一批container用于启动Executor。
(4) RS返回一批NM节点给AM。
(5) AM连接到NM,发送请求到NM启动Executor。
(6) Executor反向注册到AM所在的节点的Driver。Driver发送task到Executor。

总结:
1、Yarn-Cluster主要用于生产环境中，因为Driver运行在Yarn集群中某一台nodeManager中，每次提交任务的Driver所在的机器都是随机的，不会产生某一台机器网卡流量激增的现象，缺点是任务提交后不能看到日志。只能通过yarn查看日志。
2.ApplicationMaster的作用：为当前的Application申请资源，给nodemanager发送消息启动Excutor。任务调度。(这里和client模式的区别是AM具有调度能力，因为其就是Driver端，包含Driver进程)
3、停止集群任务命令：yarn application -kill applicationID