文章目录
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。
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
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-local
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
命令行工具
在解压缩文件夹下的data目录中，添加word.txt文件。
sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
退出本地模式
:quit
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
- –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
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。
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
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
linux1 linux2 linux3 -
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 -- 自己jdk存放的路径 SPARK_MASTER_HOST=hadoop102 --自己的主机名 配置master 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
启动集群
-
执行脚本命令：
sbin/start-all.sh -
查看三台服务器运行进程
-
查看Master资源监控Web UI界面: http://hadoop102:8080
提交应用
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://linux1:7077 ./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
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。
提交参数说明
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]
| 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://hadoop102:7077、 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 | 符合集群内存配置即可，具体情况具体分析 |
| –executor-cores | 指定每个executor使用的cpu核数 | 符合集群内存配置即可，具体情况具体分析 |
| 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 | 符合集群内存配置即可，具体情况具体分析 |
| application-arguments | 数据20 | 符合集群内存配置即可，具体情况具体分析 |
配置历史服务
由于spark-shell 停止掉后，集群监控hadoop102:4040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。
(1) 修改spark-defaults.conf.template 文件名为 spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf
(2) 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 -- 配置自己的主机名
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
(3) 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。
(4) 分发配置文件
xsync conf
(5) 重新启动集群和历史服务
sbin/start-all.sh
sbin/start-history-server.sh
(6) 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
- 查看历史服务：http://hadoop102:18080
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
(1) 停止集群
sbin/stop-all.sh
(2) 启动Zookeeper
-
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 -
启动linux2的单独Master节点，此时linux2节点Master状态处于备用状态
[root@hadoop103 spark-standalone]# 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://linux1:7077,linux2:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10
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。
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
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_144 YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
启动HDFS 以及YARN集群
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://hadoop103:8088 页面，点击 History，查看历史页面
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 -
Web页面查看日志：http://hadoop103:8088
K8s容器化部署
Spark容器化部署方式：https://spark.apache.org/docs/latest/running-on-kubernetes.html
Spark运行架构
运行架构
Spark 框架的核心是一个计算引擎，整体来说，它采用了标准 master-slave 的结构。
如下图所示，它展示了一个 Spark执行时的基本结构。图形中的Driver表示master，负责管理整个集群中的作业任务调度。图形中的Executor 则是 slave，负责实际执行任务。
核心组件
Driver
Spark驱动器节点，用于执行Spark任务中的main方法，负责实际代码的执行工作。
Driver 在 Spark 作业执行时主要负责：
- 将用户程序转化为作业（job）
- 在Executor之间调度任务(task)
- 跟踪Executor的执行情况
- 通过UI展示查询运行情况
Executor
Spark Executor 是集群中工作节点（Worker）中的一个JVM进程，负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。
Executor 有两个核心功能：
- 负责运行组成Spark应用的任务，并将结果返回给驱动器进程
- 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式存储。RDD 是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。
Master & Worker
Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master和Worker，这里的Master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，类似于Yarn环境中的RM, 而Worker 呢，也是进程，一个Worker运行在集群中的一台服务器上，由Master分配资源对数据进行并行的处理和计算，类似于Yarn环境中NM。
ApplicationMaster
Hadoop 用户向YARN集群提交应用程序时,提交程序中应该包含ApplicationMaster，用于向资源调度器申请执行任务的资源容器Container，运行用户自己的程序任务job，监控整个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。
说的简单点就是，ResourceManager（资源）和Driver（计算）之间的解耦合靠的就是
ApplicationMaster。
核心概念
Executor 与 Core
Spark Executor 是集群中运行在工作节点（Worker）中的一个JVM进程，是整个集群中
的专门用于计算的节点。在提交应用中，可以提供参数指定计算节点的个数，以及对应的资源。这里的资源一般指的是工作节点Executor的内存大小和使用的虚拟CPU核（Core）数量。
并行度（Parallelism）
在分布式计算框架中一般都是多个任务同时执行，由于任务分布在不同的计算节点进行计算，所以能够真正地实现多任务并行执行，记住，这里是并行，而不是并发。这里我们将整个集群并行执行任务的数量称之为并行度。那么一个作业到底并行度是多少呢？这个取决于框架的默认配置。应用程序也可以在运行过程中动态修改。
有向无环图（DAG）
这里所谓的有向无环图，并不是真正意义的图形，而是由Spark程序直接映射成的数据流的高级抽象模型。简单理解就是将整个程序计算的执行过程用图形表示出来,这样更直观，更便于理解，可以用于表示程序的拓扑结构。
DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。
提交流程
所谓的提交流程，其实就是我们根据需求写的应用程序通过Spark客户端提交给Spark 运行环境执行计算的流程
Spark 应用程序提交到Yarn环境中执行的时候，一般会有两种部署执行的方式：Client和Cluster。两种模式主要区别在于：Driver程序的运行节点位置。
Yarn Client 模式
Client 模式将用于监控和调度的Driver模块在客户端执行，而不是在Yarn中，所以一般用于测试。
- Driver在任务提交的本地机器上运行
- Driver启动后会和ResourceManager通讯申请启动ApplicationMaster
- ResourceManager 分配 container，在合适的NodeManager 上启动ApplicationMaster，负责向ResourceManager 申请 Executor 内存
- ResourceManager 接到 ApplicationMaster 的资源申请后会分配container，然后ApplicationMaster 在资源分配指定的NodeManager上启动Executor 进程
- Executor进程启动后会向Driver反向注册, Executor全部注册完成后Driver开始执行
main 函数 - 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。
Yarn Cluster 模式
Cluster 模式将用于监控和调度的Driver模块启动在Yarn集群资源中执行。一般应用于实际生产环境。
- 在YARN Cluster模式下，任务提交后会和ResourceManager通讯申请启动ApplicationMaster，
- 随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，此时的ApplicationMaster 就是 Driver。
- Driver启动后向ResourceManager申请Executor内存，ResourceManager 接到ApplicationMaster 的资源申请后会分配container，然后在合适的NodeManager上启动Executor 进程
- Executor进程启动后会向Driver反向注册, Executor全部注册完成后Driver开始执行main 函数，
- 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。
3019
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
