spark-submit启动应用程序

本文介绍CDH6.3.2平台的spark-submit提交任务的方法。

构建应用依赖

当提交的应用程序有依赖时，可以使用spark-submit支持的方法分发依赖到整个集群。下面介绍Scala/Java和Python两类应用程序的依赖添加方法。

构建Scala/Java应用依赖

如果一个Scala/Java应用程序有依赖，可以将应用程序及其依赖构建成一个assembly jar，提交任务时，指定assembly jar即可。

构建Python应用依赖

如果一个Python应用程序有依赖，可以使用spark-submit提供的 --py-files 参数，指定应用程序的依赖文件。

–py-files 参数支持的文件类型：.py，.zip，.egg。

推荐做法：当只有一个依赖文件时，指定 .py 文件；当有多个依赖文件时，将依赖文件打包成 .zip 文件，然后指定 .zip 文件。

启动应用程序

通用模板

./bin/spark-submit \
  --class <main-class> \
  --master <master-url> \
  --deploy-mode <deploy-mode> \
  --conf <key>=<value> \
  ... # other options
  <application-jar> \
  [application-arguments]

参数介绍：

参数	说明
–class	应用程序入口。（Scala和Java需要指定这个参数）。
–master	应用程序运行模式。本地模式，Spark Standalone，YARN，或者其他。
–deploy-mode	部署模式。cluster/client，默认是client。
–conf	可以指定spark配置属性。
application-jar	应用程序文件。jar或者py文件。要求绝对路径。
application-arguments	应用程序参数。

本地模式

本地模式一般用于简单测试。

示例：

spark-submit \
  --master local[2] \
  --class org.apache.spark.examples.SparkPi \
  /opt/cloudera/parcels/CDH-6.3.2-1.cdh6.3.2.p0.1605554/jars/spark-examples_2.11-2.4.0-cdh6.3.2.jar \
  1000

YARN模式

在CDH平台中，spark运行在yarn上，所以生产环境的spark应用都会使用yarn模式。

yarn模式(和部分其他模式)支持两种部署模式，client和cluster，默认是client。

通过 --deploy-mode 参数指定。

client部署模式

如果在spark集群中的一个gateway机器上启动应用程序，使用client部署模式是合适的。

驱动程序会直接在spark-submit进程中启动，作为客户端和集群交互，可将应用程序的输入输出打印到控制台，方便调试。

示例：

spark-submit \
  --master yarn \
  --class org.apache.spark.examples.SparkPi \
  /opt/cloudera/parcels/CDH-6.3.2-1.cdh6.3.2.p0.1605554/jars/spark-examples_2.11-2.4.0-cdh6.3.2.jar \
  1000

这里没有指定 --deploy-mode ，默认使用client部署模式。

cluster部署模式

如果在spark集群之外的机器上启动应用程序，推荐使用cluster模式，这样驱动程序和执行器都在集群内部启动，降低网络延迟。

示例：

spark-submit \
  --master yarn \
  --deploy-mode cluster \
  --class org.apache.spark.examples.SparkPi \
  /opt/cloudera/parcels/CDH-6.3.2-1.cdh6.3.2.p0.1605554/jars/spark-examples_2.11-2.4.0-cdh6.3.2.jar \
  1000

执行用户

执行spark-submit的用户会成为启动应用的用户，当spark应用运行在yarn模式的时候，yarn集群的每个节点的本地操作系统中都必须存在这个用户。

例如，这里使用 bigdata 这个用户执行spark-submit启动应用程序，需要保证yarn集群的每个节点上都存在 bigdata 这个用户。如果CDH平台集成了LDAP，那应该就不需要如此操作了(个人推测)。

在CDH平台生产环境中，只需要一个或少数几个执行用户即可，用于执行生产任务。

指定HDFS的应用程序文件

上面提到 application-jar 时应用程序文件，需要指定绝对路径。url协议默认是file://，其实还可以指定其他的协议，比如 hdfs:// 。

在CDH平台中，应用程序文件放到hdfs上是一种更优雅的做法，这样就不必在每个节点上保存一份应用程序文件了。

示例：

spark-submit \
  --master yarn \
  --deploy-mode cluster \
  --class org.apache.spark.examples.SparkPi \
  hdfs:///user/bigdata/spark-examples_2.11-2.4.0-cdh6.3.2.jar \
  1000

在Hue上启动spark应用程序

spark应用程序文件需要放到hdfs上。

1、进入Hue Spark

2、选择应用程序文件

3、添加类和参数

4、启动和停止