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。接下来,我们就分别看看不同环境下 Spark 的运行
![](https://img-blog.csdnimg.cn/img_convert/13a3d181bc8ff87251510808e47e17fa.png)
3.1 Local 模式
想啥呢,你之前一直在使用的模式可不是 Local 模式哟。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 中运行代码的环境我们称之为开发环境,不太一样。
3.1.1 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,路径中不要包含中文或空格,课件后续如果涉及到解压缩操作,不再强调。
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
3.1.2 启动 Local 环境
进入解压缩后的路径,执行如下指令
bin/spark-shell
![](https://img-blog.csdnimg.cn/img_convert/4ccab72dc354861771aa9dc547b5cf58.png)
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**
![](https://img-blog.csdnimg.cn/img_convert/eddba000b01752222a808c404276285b.png)
3.1.3 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
![](https://img-blog.csdnimg.cn/img_convert/d0cde9fb82a287d55d561ddaa85f3321.png)
3.1.4 退出本地模式
按键 Ctrl+C 或输入 Scala 指令
:quit
3.1.5 提交应用
spark 自带案例
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
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
![](https://img-blog.csdnimg.cn/img_convert/7b40495c94679680666f20a19a4efadc.png)
3.2 Standalone 模式
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,这里我们来看看只使用 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。
集群规划:
![](https://img-blog.csdnimg.cn/img_convert/41bc1be6b2220b52285a7111976b9e4b.png)
3.2.1 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
3.2.2 修改配置文件
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 work 节点
hadoop102
hadoop103
hadoop104
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=hadoop102
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
3.2.3 启动集群
执行脚本命令:
sbin/start-all.sh
![](https://img-blog.csdnimg.cn/img_convert/0414ac78ecda7855380cdb1216e26fc6.png)
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
查看 Master 资源监控 Web UI 界面: http://hadoop102:8080
![](https://img-blog.csdnimg.cn/img_convert/0673dea44528dac7d6a27762e4e2de6d.png)
3.2.4 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://hadoop102:7077 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
![](https://img-blog.csdnimg.cn/img_convert/ec50ff1d7e5238a1a5ccca6e608bfd1b.png)
执行任务时,会产生多个 Java 进程
![](https://img-blog.csdnimg.cn/img_convert/4bc816b24acd461d293830654d705ea8.png)
执行任务时,默认采用服务器集群节点的总核数,每个节点内存 1024M。
![](https://img-blog.csdnimg.cn/img_convert/dc4a2035fd90ffa917189c66560fe013.png)
3.2.5 提交参数说明
在提交应用中,一般会同时一些提交参数
![](https://img-blog.csdnimg.cn/img_convert/27d891f42f3a03c566dd3a3eb870b00c.png)
![](https://img-blog.csdnimg.cn/img_convert/fb1d8a7c84f4b47f301e89683df16d77.png)
3.2.6 配置历史服务
由于 spark-shell 停止掉后,集群监控 linux1:4040 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。
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://hadoop102:8020/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://hadoop102:8020/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://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
![](https://img-blog.csdnimg.cn/img_convert/d0799fe6388fe46ade706785e0359420.png)
查看历史服务:http://hadoop102:18080
![](https://img-blog.csdnimg.cn/img_convert/3131679f5416586743608b12d941562b.png)
3.2.7 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:
![](https://img-blog.csdnimg.cn/img_convert/619f7e24010e6a569d48b3eb4cf38159.png)
1) 停止集群
sbin/stop-all.sh
2) 启动 Zookeeper
zk.sh start
3) 修改 spark-env.sh 文件添加如下配置
注释如下内容:
#SPARK_MASTER_HOST=hadoop102
#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=hadoop102,hadoop103,hadoop104
-Dspark.deploy.zookeeper.dir=/spark"
分发配置文件
xsync conf/
启动集群
sbin/start-all.sh
![](https://img-blog.csdnimg.cn/img_convert/172db90c7b92f6ddc0876dcd77186ac5.png)
启动 linux2 的单独 Master 节点,此时 linux2 节点 Master 状态处于备用状态
[root@linux2 spark-standalone]# sbin/start-master.sh
![](https://img-blog.csdnimg.cn/img_convert/e2b60d51471117f7729ea389531b0ae9.png)
提交应用到高可用集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077,linux2:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
停止 linux1 的 Master 资源监控进程
![](https://img-blog.csdnimg.cn/img_convert/b6b97115d468f52a358927d10fc55c0b.png)
查看 linux2 的 Master 资源监控 Web UI,稍等一段时间后,linux2 节点的 Master 状态 提升为活动状态
![](https://img-blog.csdnimg.cn/img_convert/e5373199267780063d08fab73107e74d.png)
3.3 Yarn 模式(一般用这个模式)
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。但是你也要记住,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。所以接下来我们来学习在强大的 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)。
3.3.1 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
3.3.2 修改配置文件
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
export JAVA_HOME=/opt/module/jdk1.8.0_212
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
3.3.3 启动 HDFS 以及 YARN 集群
瞅啥呢,自己启动去!
3.3.4 提交应用
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
![](https://img-blog.csdnimg.cn/img_convert/b588fe57d5a53d1096e556a83f013966.png)
查看 http://Hadoop103:8088 页面,点击 History,查看历史页面
![](https://img-blog.csdnimg.cn/img_convert/e2df1a237ab574a25d8eba7f4c3604eb.png)
3.3.5 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://hadoop102:8020/directory
注意:需要启动 hadoop 集群,HDFS 上的目录需要提前存在。
[root@linux1 hadoop]# sbin/start-dfs.sh
[root@linux1 hadoop]# 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://hadoop102:8020/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=hadoop102:18080
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
![](https://img-blog.csdnimg.cn/img_convert/1fc20a19be81265c3ead7b1f88a6f486.png)
Web 页面查看日志:http://hadoop103:8088
![](https://img-blog.csdnimg.cn/img_convert/eec5c6fc46a10a393b481636e3ee8529.png)
![](https://img-blog.csdnimg.cn/img_convert/3c45941b8f3bcb55f07a02c801aafd80.png)
3.4 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,这里我们就不做过多讲解了。
![](https://img-blog.csdnimg.cn/img_convert/12a48354c5605a47e78b1201bfec2b41.png)
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。这里我们也不做过多的讲解。给个链接大家自己感受一下:
Running Spark on Kubernetes - Spark 3.3.1 Documentation (apache.org)
![](https://img-blog.csdnimg.cn/img_convert/c1490f46ce7dacc5dec2c8b4c36f2c3e.png)
3.5 Windows 模式
在同学们自己学习时,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,摸摸哒!
在后续的教学中,为了能够给同学们更加流畅的教学效果和教学体验,我们一般情况下都会采用 windows 系统的集群来学习 Spark。
3.5.1 解压缩文件
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
3.5.2 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
![](https://img-blog.csdnimg.cn/img_convert/a42ad537978282750fddcb5b2983b2a1.png)
在 bin 目录中创建 input 目录,并添加 word.txt 文件, 在命令行中输入脚本代码
![](https://img-blog.csdnimg.cn/img_convert/0322cf55f05d8c38cd7da80356289200.png)
3.5.3 命令行提交应用
在 DOS 命令行窗口中执行提交指令
spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10
![](https://img-blog.csdnimg.cn/img_convert/475719bd6c1995042ea6f798f1cf09d8.png)
3.6 部署模式对比
![](https://img-blog.csdnimg.cn/img_convert/aaeee2a2baab4380e6ccfc4b9ff28cec.png)
3.7 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