Spark安装配置
文章目录
2.1 Spark安装
官网地址:http://spark.apache.org/
文档地址:http://spark.apache.org/docs/latest/
下载地址:http://spark.apache.org/downloads.html
下载Spark安装包
下载地址:https://archive.apache.org/dist/spark/
备注:不用安装scala
安装步骤:
1、下载软件解压缩,移动到指定位置
[root@linux121 ~]# cd /opt/lagou/software/
[root@linux121 software]# tar zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz
[root@linux121 software]# mv spark-2.4.5-bin-without-hadoop-scala-2.12/ ../servers/spark-2.4.5/
2、设置环境变量,并使之生效
vim /etc/profile
export SPARK_HOME=/opt/lagou/servers/spark-2.4.5
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
source /etc/profile
#cmd为windows命令,这里将其删除
[root@linux121 software]# cd $SPARK_HOME/bin
[root@linux121 bin]# ls *.cmd
[root@linux121 bin]# rm -rf *.cmd
3、修改配置
文件位置:$SPARK_HOME/conf
修改文件:slaves、spark-defaults.conf、spark-env.sh、log4j.properties
[root@linux121 conf]# cp spark-env.sh.template spark-env.sh
[root@linux121 conf]# cp slaves.template slaves
[root@linux121 conf]# cp spark-defaults.conf.template spark-defaults.conf
[root@linux121 conf]# cp log4j.properties.template log4j.properties
more slaves
linux121
linux122
linux123
more spark-defaults.conf
spark.master spark://linux121:7077
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux121:9000/spark-eventlog
spark.serializer org.apache.spark.serializer.KryoSerializer
spark.driver.memory 512m
创建 HDFS 目录:hdfs dfs -mkdir /spark-eventlog
备注:
- spark.master。定义master节点,缺省端口号 7077
- spark.eventLog.enabled。开启eventLog
- spark.eventLog.dir。eventLog的存放位置
- spark.serializer。一个高效的序列化器
- spark.driver.memory。定义driver内存的大小(缺省1G)
修改spark-env.sh
添加如下信息
export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231
export HADOOP_HOME=/opt/lagou/servers/hadoop-2.9.2
export HADOOP_CONF_DIR=/opt/lagou/servers/hadoop-2.9.2/etc/hadoop
export SPARK_DIST_CLASSPATH=$(/opt/lagou/servers/hadoop-2.9.2/bin/hadoop classpath)
export SPARK_MASTER_HOST=linux121
export SPARK_MASTER_PORT=7077
备注:这里使用的是 spark-2.4.5-bin-without-hadoop,所以要将 Hadoop 相关jars 的位置告诉Spark
4、将Spark软件分发到集群;修改其他节点上的环境变量
[root@linux121 conf]# cd /opt/lagou/servers
[root@linux121 servers]# scp -r spark-2.4.5/ linux122:$PWD
[root@linux121 servers]# scp -r spark-2.4.5/ linux123:$PWD
5、启动集群
cd $SPARK_HOME/sbin
./start-all.sh
分别在linux121、linux122、linux123上执行 jps,可以发现:
linux121:Master、Worker
linux122:Worker
linux123:Worker
此时 Spark 运行在 Standalone 模式下。
在浏览器中输入:http://linux121:8080/
可以看见如下 Spark 的 Web 界面:
备注:在$HADOOP_HOME/sbin 及 $SPARK_HOME/sbin 下都有 start-all.sh 和stop-all.sh 文件
在输入 start-all.sh / stop-all.sh 命令时,谁的搜索路径在前面就先执行谁,此时会产生冲突。
解决方案:
- 删除一组 start-all.sh / stop-all.sh 命令,让另外一组命令生效
- 将其中一组命令重命名。如:将 $HADOOP_HOME/sbin 路径下的命令重命名为:start-all-hadoop.sh / stop-all-hadoop.sh
- 将其中一个框架的 sbin 路径不放在 PATH 中
6、集群测试
[root@linux121 ~]# run-example SparkPi 10
#hdfs上先创建/wcinput/wc.txt
[root@linux121 ~]# hdfs dfs -mkdir -p /wcinput/wc.txt
[root@linux121 ~]# spark-shell
scala> val lines = sc.textFile("/wcinput/wc.txt")
scala> lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)
Spark集群是否一定依赖hdfs?不是的,除非用到了hdfs。
Apache Spark支持多种部署模式。最简单的就是单机本地模式(Spark所有进程都运
行在一台机器的JVM中)、伪分布式模式(在一台机器中模拟集群运行,相关的进程
在同一台机器上)。分布式模式包括:Standalone、Yarn、Mesos。
Apache Spark支持多种部署模式:
- 本地模式。最简单的运行模式,Spark所有进程都运行在一台机器的 JVM 中
- 伪分布式模式。在一台机器中模拟集群运行,相关的进程在同一台机器上(用的非常少)
- 分布式模式。包括:Standalone、Yarn、Mesos
- Standalone。使用Spark自带的资源调度框架
- Yarn。使用 Yarn 资源调度框架
- Mesos。使用 Mesos 资源调度框架
2.2 本地模式
本地模式部署在单机,主要用于测试或实验;最简单的运行模式,所有进程都运行在
一台机器的 JVM 中;
本地模式用单机的多个线程来模拟Spark分布式计算,通常用来验证开发出来的应用
程序逻辑上有没有问题;
这种模式非常简单,只需要把Spark的安装包解压后,改一些常用的配置即可使用。
不用启动Spark的Master、Worker守护进程,也不用启动Hadoop的服务(除非用
到HDFS)。
- local:在本地启动一个线程来运行作业;
- local[N]:启动了N个线程;
- local[*]:使用了系统中所有的核;
- local[N,M]:第一个参数表示用到核的个数;第二个参数表示容许作业失败的次数
前面几种模式没有指定M参数,其默认值都是1;
测试:
1、关闭相关服务
stop-dfs.sh
stop-all.sh
2、启动 Spark 本地运行模式
spark-shell --master local
备注:此时可能有错误。主要原因是配置了日志聚合(即是用来了hdfs,但hdfs服务关闭了),关闭该选项即可
# spark-defaults.conf文件中,注释以下两行:
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux121:9000/spark-eventlog
3、使用 jps 检查,发现一个 SparkSubmit 进程
这个SparkSubmit进程又当爹、又当妈。既是客户提交任务的Client进程、又是
Spark的driver程序、还充当着Spark执行Task的Executor角色。
4、执行简单的测试程序
val lines = sc.textFile("file:///root/a.txt") lines.count
2.3 伪分布式
伪分布式模式:在一台机器中模拟集群运行,相关的进程在同一台机器上;
备注:不用启动集群资源管理服务;
- local-cluster[N,cores,memory]
- N模拟集群的 Slave(或worker)节点个数
- cores模拟集群中各个Slave节点上的内核数
- memory模拟集群的各个Slave节点上的内存大小
备注:参数之间没有空格,memory不能加单位
1、启动 Spark 伪分布式模式
spark-shell --master local-cluster[4,2,1024]
2、使用 jps 检查,发现1个 SparkSubmit 进程和4个
CoarseGrainedExecutorBackend 进程
SparkSubmit依然充当全能角色,又是Client进程,又是Driver程序,还有资源管理
的作用。
4个CoarseGrainedExecutorBackend,用来并发执行程序的进程。
3、执行简单的测试程序
spark-submit --master local-cluster[4,2,1024] --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 10
备注:
- local-cluster[4,2,1024],参数不要给太大,资源不够
- 这种模式少用,有Bug。SPARK-32236
2.4 集群模式–Standalone模式
参考:http://spark.apache.org/docs/latest/spark-standalone.html
- 分布式部署才能真正体现分布式计算的价值
- 与单机运行的模式不同,这里必须先启动Spark的Master和Worker守护进程;
关闭 yarn 对应的服务 - 不用启动Hadoop服务,除非要使用HDFS的服务
使用jps检查,可以发现:
- linux121:Master、Worker
- linux122:Worker
- linux123:Worker
使用浏览器查看(linux121:8080)
2.4.1 Standalone 配置
sbin/start-master.sh / sbin/stop-master.sh
sbin/start-slaves.sh / sbin/stop-slave.sh
sbin/start-slave.sh / sbin/stop-slaves.sh
sbin/start-all.sh / sbin/stop-all.sh
备注:./sbin/start-slave.sh [options];启动节点上的worker进程,调试中较为常用
在 spark-env.sh 中定义:
SPARK_WORKER_CORES:Total number of cores to allow Spark applications to
use on the machine (default: all available cores).
SPARK_WORKER_MEMORY:Total amount of memory to allow Spark
applications to use on the machine, e.g. 1000m , 2g (default: total memory
minus 1 GiB); note that each application’s individual memory is configured
using its spark.executor.memory property.
测试在 spark-env.sh 中增加参数,分发到集群,重启服务:
不设置默认如图:
export SPARK_WORKER_CORES=10
export SPARK_WORKER_MEMORY=20g
在浏览器中观察集群状态,测试完成后将以上两个参数分别改为2、2g,重启服务。
2.4.2 运行模式(cluster / client)
最大的区别:Driver运行在哪里;client是缺省的模式,能看见返回结果,适合调
试;cluster与此相反;
- Client模式(缺省)。Driver运行在提交任务的Client,此时可以在Client模式下,看见应用的返回结果,适合交互、调试
- Cluster模式。Driver运行在Spark集群中,看不见程序的返回结果,合适生产环境
测试1(Client 模式):
[root@linux121 ~]# spark-submit --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 1000
再次使用 jps 检查集群中的进程:
- Master进程做为cluster manager,管理集群资源
Worker 管理节点资源 - SparkSubmit 做为Client端,运行 Driver 程序。Spark Application执行完成,
进程终止 - CoarseGrainedExecutorBackend,运行在Worker上,用来并发执行应用程序
测试2(Cluster 模式):
[root@linux121 ~]# spark-submit --class org.apache.spark.examples.SparkPi --deploy-mode cluster $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 1000
- SparkSubmit 进程会在应用程序提交给集群之后就退出
- Master会在集群中选择一个 Worker 进程生成一个子进程 DriverWrapper 来启
动 Driver 程序 - Worker节点上会启动 CoarseGrainedExecutorBackend
- DriverWrapper 进程会占用 Worker 进程的一个core(缺省分配1个core,1G内
存) - 应用程序的结果,会在执行 Driver 程序的节点的 stdout 中输出,而不是打印在
屏幕上
在启动 DriverWrapper 的节点上,进入 $SPARK_HOME/work/,可以看见类似
driver-20200810233021-0000 的目录,这个就是 driver 运行时的日志文件,进入
该目录,会发现:
- jar 文件,这就是移动的计算
- stderr 运行日志
- stdout 输出结果
2.4.3 History Server
[root@linux121 ~]# cd $SPARK_HOME/conf
[root@linux121 conf]# vim spark-defaults.conf
# spark-defaults.conf
# history server
spark.eventLog.enabled true
spark.eventLog.dir hdfs://node1:8020/spark-eventlog
spark.eventLog.compress true
[root@linux121 conf]# vim spark-env.sh
# spark-env.sh
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=50 -Dspark.history.fs.logDirectory=hdfs://linux121:9000/spark-eventlog"
[root@linux121 conf]# scp spark-env.sh linux122:$PWD
[root@linux121 conf]# scp spark-env.sh linux123:$PWD
[root@linux121 conf]# scp spark-defaults.conf linux122:$PWD
[root@linux121 conf]# scp spark-defaults.conf linux123:$PWD
spark.history.retainedApplications。设置缓存Cache中保存的应用程序历史记录的
个数(默认50),如果超过这个值,旧的将被删除;
缓存文件数不表示实际显示的文件总数。只是表示不在缓存中的文件可能需要从硬盘
读取,速度稍有差别
前提条件:启动hdfs服务(日志写到HDFS)
启动historyserver,使用 jps 检查,可以看见 HistoryServer 进程。如果看见该进
程,请检查对应的日志。
$SPARK_HOME/sbin/start-history-server.sh
web端地址:http://linux121:18080/
2.4.4 高可用配置
Spark Standalone集群是 Master-Slaves架构的集群模式,和大部分的MasterSlaves结构集群一样,存着Master单点故障的问题。如何解决这个问题,Spark提供了两种方案:
(1)基于zookeeper的Standby Master,适用于生产模式。将 Spark 集群连接到
Zookeeper,利用 Zookeeper 提供的选举和状态保存的功能,一个 Master 处于
Active 状态,其他 Master 处于Standby状态;
保证在ZK中的元数据主要是集群的信息,包括:Worker,Driver和Application以及
Executors的信息;
如果Active的Master挂掉了,通过选举产生新的 Active 的 Master,然后执行状态恢
复,整个恢复过程可能需要1~2分钟;
(2)基于文件系统的单点恢复(Single-Node Rcovery with Local File System),
主要用于开发或者测试环境。将 Spark Application 和 Worker 的注册信息保存在文
件中,一旦Master发生故障,就可以重新启动Master进程,将系统恢复到之前的状
态
配置步骤:
1、安装ZooKeeper,并启动
2、修改 spark-env.sh 文件,并分发到集群中
# 注释以下两行!!!
# export SPARK_MASTER_HOST=linux121
# export SPARK_MASTER_PORT=7077
# 添加以下内容
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=linux121,linux122,linux123 -Dspark.deploy.zookeeper.dir=/spark"
备注:
- spark.deploy.recoveryMode:可选值 Zookeeper、FileSystem、None
- deploy.zookeeper.url:Zookeeper的URL,主机名:端口号(缺省2181)
- deploy.zookeeper.dir:保存集群元数据信息的地址,在ZooKeeper中保存该信息
3、启动 Spark 集群(linux121)
$SPARK_HOME/sbin/start-all.sh
浏览器输入:http://linux121:8080/,刚开始 Master 的状态是STANDBY,稍等一会变为:RECOVERING,最终是:ALIVE
4、在 linux122 上启动master
$SPARK_HOME/sbin/start-master.sh
进入浏览器输入:http://linux122:8080/,此时 Master 的状态为:STANDBY
5、杀到linux121上 Master 进程,再观察 linux122 上 Master 状态,由 STANDBY=> RECOVERING => ALIVE
小结:
- 配置每个worker的core、memory
- 运行模式:cluster、client;client缺省模式,有返回结果,适合调试;cluster与此相反
- History server
- 高可用(ZK、Local Flile;在ZK中记录集群的状态)
2.5 集群模式–Yarn模式
参考:http://spark.apache.org/docs/latest/running-on-yarn.html
需要启动的服务:hdfs服务、yarn服务
需要关闭 Standalone 对应的服务(即集群中的Master、Worker进程),一山不容二虎!
在Yarn模式中,Spark应用程序有两种运行模式:
- 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RM启动的 AppMaster中,适用于生产环境
二者的主要区别:Driver在哪里
1、关闭 Standalon 模式下对应的服务;开启 hdfs、yarn、historyserver 服务
2、修改 yarn-site.xml 配置
在 $HADOOP_HOME/etc/hadoop/yarn-site.xml 中增加,分发到集群,重启 yarn服务
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
备注:
- yarn.nodemanager.pmem-check-enabled。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 - yarn.nodemanager.vmem-check-enabled。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
3、修改配置,分发到集群
# spark-env.sh 中这一项必须要有
export HADOOP_CONF_DIR=/opt/lagou/servers/hadoop-2.9.2/etc/hadoop
# spark-defaults.conf(以下是优化)
# 与 hadoop historyserver集成
spark.yarn.historyServer.address linux121:18080
# 添加(以下是优化)
spark.yarn.jars hdfs:///spark-yarn/jars/*.jar
#将 $SPARK_HOME/jars 下的jar包上传到hdfs
hdfs dfs -mkdir -p /spark-yarn/jars/
cd $SPARK_HOME/jars
hdfs dfs -put * /spark-yarn/jars/
4、测试
# client
spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 2000
在提取App节点上可以看见:SparkSubmit、CoarseGrainedExecutorBackend
在集群的其他节点上可以看见:CoarseGrainedExecutorBackend
在提取App节点上可以看见:程序计算的结果(即可以看见计算返回的结果)
# cluster
spark-submit --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.11-2.4.5.jar 2000
在提取App节点上可以看见:SparkSubmit
在集群的其他节点上可以看见:CoarseGrainedExecutorBackend、
ApplicationMaster(Driver运行在此)
在提取App节点上看不见最终的结果
整合HistoryServer服务
前提:Hadoop的 HDFS、Yarn、HistoryServer 正常;Spark historyserver服务正常;
Hadoop:JobHistoryServer
Spark:HistoryServer
#日志服务historyserver linux121:
cd /opt/lagou/servers/hadoop-2.9.2/sbin/
mr-jobhistory-daemon.sh start historyserver
#启动historyserver
$SPARK_HOME/sbin/start-history-server.sh
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar \
20
1、修改 spark-defaults.conf,并分发到集群
新增如下内容:
# 整合yarn下historyServer服务
spark.yarn.historyServer.address linux121:18080
spark.history.ui.port 18080
2、重启/启动 spark 历史服务
stop-history-server.sh
start-history-server.sh
3、提交任务
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar \
100
4、Web页面查看日志(图见上)
备注:
1、在课程学习的过程中,大多数情况使用Standalone模式 或者 local模式
2、建议不使用HA;更多关注的Spark开发
2.6 开发环境搭建IDEA
前提:安装scala插件;能读写HDFS文件
pom.xml:
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>org.example</groupId>
<artifactId>LagouBigData</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>1.8</maven.compiler.source>
<maven.compiler.target>1.8</maven.compiler.target>
<scala.version>2.12.10</scala.version>
<spark.version>2.4.5</spark.version>
<hadoop.version>2.9.2</hadoop.version>
<encoding>UTF-8</encoding>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>${spark.version}</version>
</dependency>
</dependencies>
<build>
<pluginManagement>
<plugins>
<!-- 编译scala的插件 -->
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>3.2.2</version>
</plugin>
<!-- 编译java的插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.5.1</version>
</plugin>
</plugins>
</pluginManagement>
<plugins>
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<executions>
<execution>
<id>scala-compile-first</id>
<phase>process-resources</phase>
<goals>
<goal>add-source</goal>
<goal>compile</goal>
</goals>
</execution>
<execution>
<id>scala-test-compile</id>
<phase>process-test-resources</phase>
<goals>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
</plugin>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<executions>
<execution>
<phase>compile</phase>
<goals>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<!-- 打jar插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-shade-plugin</artifactId>
<version>2.4.3</version>
<executions>
<execution>
<phase>package</phase>
<goals>
<goal>shade</goal>
</goals>
<configuration>
<filters>
<filter>
<artifact>*:*</artifact>
<excludes>
<exclude>META-INF/*.SF</exclude>
<exclude>META-INF/*.DSA</exclude>
<exclude>META-INF/*.RSA</exclude>
</excludes>
</filter>
</filters>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
package cn.lagou.sparkcore
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("WordCount")
val sc = new SparkContext(conf)
//使用本地文件
//val lines: RDD[String] = sc.textFile("data/wc.txt")
//使用HDFS文件 --无配置文件
//val lines: RDD[String] =sc.textFile("hdfs://linux121:9000/wcinput/wc.txt")
//使用HDFS文件 --有配置文件
val lines: RDD[String] = sc.textFile("/wcinput/wc.txt")
lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)
sc.stop()
}
}
备注:core-site.xml;链接源码;
<configuration>
<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://linux121:9000</value>
</property>
<!-- 指定Hadoop运⾏时产⽣⽂件的存储⽬录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/lagou/servers/hadoop-2.9.2/data/tmp</value>
</property>
<!-- HiveServer2 连不上10000;hadoop为安装用户 -->
<!-- root用户可以代理所有主机上的所有用户 -->
<property>
<name>hadoop.proxyuser.root.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.root.groups</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hadoop.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hadoop.groups</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hdfs.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.hdfs.groups</name>
<value>*</value>
</property>
</configuration>
添加上面这个资源后,直接使用下面这个也可以访问hdfs
val lines: RDD[String] = sc.textFile("/wcinput/wc.txt")