Spark入门
1 Spark概述
1.1 定义
Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎
Hadoop主要解决的是海量数据的存储和分析计算
1.2 Hadoop和Spark历史
1.3 Hadoop与Spark框架对比
1.4 Spark内置模块
实现了Spark的基本功能,包含任务调度、内存管理、错误恢复和存储系统交互等模块。SparkCore中还包含了对Resileient Distributed DataSet(RDD)弹性分布式数据集的API定义。
Spark SQL:是Spark用来操作结构化数据的程序包。通过Spark SQL,可以使用SQL或Apache Hive版本的HQL来查询数据。Spark SQL支持多种数据源,比如Hive表、Parquest和JSON等。
**Spark Streaming:**是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API,并且与Spark Core中的RDD API高度对应。
Spark MLlib:提供常见的机器学习功能的程序库。包括分类、回归、聚类、协同过滤等,还提供模型评估、数据导入等额外的支持功能。
Spark GraphX:主要用于图形并行计算和图挖掘系统的组件。
集群管理器:Spark设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计算。为了实现这样的要求,同时获得最大灵活性,Spark支持在各种集群管理器(Cluster Manager)上运行。包括Hadoop YARN、Apache Mesos,以及Spark自带的一个简易调度器,叫做独立调度器。
1.5 Spark特点
2 Spark运行模式
部署Spark集群大体上分为两种模式:单机模式和集群模式。大多数分布式框架都支持单机模式,方便开发者调试框架的运行环境。但是在生产环境中,并不会使用单机模式。因此,后续直接按照集群模式部署Spark集群。
Spark目前支持的部署模式:
- Local模式:在本地部署单个Spark服务
- Standalone模式:Spark自带的人物调度模式(国内常用)
- YARN模式:Spark使用Hadoop的YARN组件进行资源与任务调度(国内最常用)
- Mesos模式:Spark使用Mesos平台进行资源与任务调度(国内很少用)
2.1 Spark安装地址
1)官网地址:http://spark.apache.org/
2)文档查看地址:https://spark.apache.org/docs/3.1.3/
3)下载地址:https://spark.apache.org/downloads.html
https://archive.apache.org/dist/spark/
2.2 Local模式
Local模式就是运行在一台计算机上的模式,通常就是用于在本机上练手和测试。
2.2.1 安装使用
tar -zxvf spark-3.1.3-bin-hadoop3.2.tgz -C /opt/module/
mv spark-3.1.3-bin-hadoop3.2 spark-local
# 查看运行参数
bin/spark-submit
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
- –class 表示要执行的主类
- –master local[2]
- local 不指定线程数时,所有计算都运行在一个线程中,没有任何并行计算;
- local[K] 指定K格Core来运行计算;
- local[*] 自动按照CPU最多核心来设置线程数,比如CPU有8个核,Spark会自动设置8个线程计算
- spark-examples_2.12-3.1.3.jar:要运行的程序
- 10:要运行程序的输入参数(计算圆周率π的次数,计算次数越多,准确率越高)
2.2.2 官方WordCount案例
# 1 准备文件
mkdir input
vim 1.txt
hello atguigu
hello word
vim 2.txt
hello atguigu
hello word
# 2 启动Spark-Shell
bin/spark-shell
# 3 运行WordCount程序
sc.textFile("/opt/module/spark-local/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hello,4), (atguigu,2), (spark,2))
sc是SparkCore程序的入口;
spark是SparkSQL程序入口;
master = local[*]表示本地模式运行。
运行任务方式说明:spark-submit,是将jar上传到集群,执行Spark任务;spark-shell,相当于命令行工具,本身也是一个Application。
登录hadoop102:4040,查看程序运行情况(注意:spark-shell窗口关闭掉,则hadoop102:4040页面关闭)
本地模式下,默认的调度器为FIFO
2.3 集群角色
2.3.1 Master和Worker集群资源管理
Master和Worker是Spark的守护进程、集群资源管理者,即Spark在特定模式(Standalone)下正常运行必须要有的后台常驻进程。
2.3.2 Driver和Executor任务的管理者
2.4 Standalone模式
Standalone模式是Spark自带的资源调度引擎,构建一个由Master + Worker构成的Spark集群,Spark运行在集群中。
这个要和Hadoop中的Standalone区别开来。这里的Standalone是指只用Spark来搭建一个集群,不需要借助Hadoop的Yarn和Mesos等其他框架。
2.4.1 安装使用
hadoop102 | hadoop103 | hadoop104 | |
---|---|---|---|
Spark | Master Worker | Worker | Worker |
# 1 解压一份Spark安装包,修改文件夹名称为spark-standalone
tar -zxvf spark-3.1.3-bin-hadoop3.2.tgz -C /opt/module/
mv spark-3.1.3-bin-hadoop3.2 spark-standalone
# 2 修改conf下的workers文件,添加work节点
mv workers.template workers
vim workers
hadoop102
hadoop103
hadoop104
# 3 修改spark-env.sh文件,添加master节点
mv spark-env.sh.template spark-env.sh
vim spark-env.sh
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
# 4 分发spark-standalone包
xsync spark-standalone/
# 5 启动spark集群
sbin/start-all.sh
xcall jps
jpsall
# 注意:若JAVA_HOME not set异常,在sbin目录下的spark-config.sh文件添加
exprot JAVA_HOME=/opt/module/java...
# 6 网页查看webUI页面
hadoop102:8080(相当于yarn的8088端口)
# 7 官方PI案例 --master spark://hadoop102:7077指定要连接的集群的master
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# 8 页面查看http://hadoop102:8080/,发现执行本次任务,默认采用三台服务器节点的总核数24核,每个节点内存1024M。
8080:master的webUI
4040:application的webUI的端口号
2.4.2 参数说明
# 配置Executor可用内存2G,使用CPU核数为2个
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
运行参数基本格式:
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 | 本地模式: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 |
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 | 传给main()方法的参数 | 符合集群内存配置即可,具体情况具体分析 |
2.4.3 配置历史服务
由于spark-shell停止掉后,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-default.conf.template名称
mv spark-defaults.conf.template spark-defaults.conf
# 2 修改spark-default.conf文件,配置日志存储路径(写)
vim spark-defaults.conf
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
sbin/start-dfs.sh
hadoop fs -mkdir /directory
# 3 修改spark-env.sh文件,添加如下配置
vim spark-env.sh
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:WEBUI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(读)
# 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 spark-defaults.conf spark-env.sh
# 5 启动历史服务
sbin/start-history-server.sh
# 6 再次执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
--executor-memory 1G \
--total-executor-cores 2 \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# 7 查看spark历史服务地址
http://hadoop102:18080
2.4.4 配置高可用(HA)
高可用原理
配置高可用
# 1 停止集群
bin/stop-all.sh
# 2 启动zookeeper
zk.sh start
# 3 修改spark-env.sh
#注释掉如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
#添加上如下内容。配置由Zookeeper管理Master,在Zookeeper节点中自动创建/spark目录,用于管理:
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104
-Dspark.deploy.zookeeper.dir=/spark"
#添加如下代码
#Zookeeper3.5的AdminServer默认端口是8080,和Spark的WebUI冲突
export SPARK_MASTER_WEBUI_PORT=8989
# 4 分发配置文件
xsync spark-env.sh
# 5 在hadoop102上启动全部节点
sbin/start-all.sh
# 6 在hadoop103上单独启动master节点
sbin/start-master.sh
# 7 再启动一个hadoop102窗口,将/opt/module/spark-local/input数据上传到hadoop集群的/input目录
hadoop fs -put /opt/module/spark-local/input/ /input
# 8 连接Spark HA集群
bin/spark-shell \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2g \
--total-executor-cores 2
# 参数:--master spark://hadoop102:7077指定要连接的集群的master
# 注意:一旦配置了高可用以后,master后面要连接多个master
# 9 执行wordcount程序
sc.textFile("hdfs://hadoop102:8020/input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hello,4), (atguigu,2), (spark,2))
# 10 访问102 103的8989,查看进程
# 11 kill 102的master进程,查看103的状态是否为active
kill -9 xxx
# 12 再次启动102的master进程
sbin/start-master.sh
2.4.5 运行流程
Spark有standalone-client和standalone-cluster两种模式,主要区别在于:Driver程序的运行节点。
客户端模式
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# --deploy-mode client,表示Driver程序运行在本地客户端,默认模式
集群启动模式
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2G \
--total-executor-cores 2 \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# --deploy-mode cluster,表示Driver程序运行在集群
注意:在测试Standalone模式,cluster运行流程的时候,阿里云用户访问不到Worker,因为Worker是从Master内部跳转的,这是正常的,实际工作中我们不可能通过客户端访问的,这些端口对外都会禁用,需要的时候会通过授权到Master访问Worker
2.5 Yarn模式(重点)
Spark客户端直接连接Yarn,不需要额外构建Spark集群。
2.5.1 安装使用
# 0 停止standalone模式下的spark集群
sbin/stop-all.sh
zk.sh stop
sbin/stop-master.sh
# 1 为防止和standalone模式冲突,再单独解压一份spark
tar -zxvf spark-3.1.3-bin-hadoop3.2.tgz -C /opt/module/
mv spark-3.1.3-bin-hadoop3.2/ spark-yarn
# 2 修改hadoop配置文件/opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml
# 因为测试环境虚拟机内存较少,防止执行过程进行被意外杀死,做如下配置
vim yarn-site.xml
<!--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>
# 3 分发配置文件
xsync /opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml
# 4 修改/opt/module/spark-yarn/conf/spark-env.sh,添加YARN_CONF_DIR配置,保证后续运行任务的路径都变成集群路径
mv spark-env.sh.template spark-env.sh
vim spark-env.sh
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
# 5 启动HDFS以及YARN集群
102 sbin/start-dfs.sh
103 sbin/start-yarn.sh
# 6 执行PI程序
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# --master yarn,表示Yarn方式运行;--deploy-mode表示客户端方式运行程序
# 7 若运行时有异常:ClassNotFoundException:com.sun.jersey.api.client.config.ClientConfig
# -原因分析:Spark2中jersey版本是2.22,但是yarn中还需要依赖1.9,版本不兼容
# -解决方式:在yarn-site.xml中,添加
<property>
<name>yarn.timeline-service.enabled</name>
<value>false</value>
</property>
# 8 查看hadoop103:8088页面,点击History,查看历史页面
hadoop作业日志中没有spark的作业日志
2.5.2 配置历史服务器
由于是重新解压的Spark压缩文件,所以需要针对Yarn模式,再次配置一下历史服务器。
# 1 修改spark-default.conf.template名称
mv spark-defaults.conf.template spark-defaults.conf
# 2 修改spark-default.conf文件,配置日志存储路径(写)
vim spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
# 3 修改spark-env.sh文件,添加如下配置
vim spark-env.sh
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:WEBUI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(读)
# 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。
2.5.3 配置查看历史服务日志
为了能从Yarn上关联到Spark历史服务器,需要配置spark历史服务器关联路径。
目的:点击yarn(8088)上spark任务的history按钮,进入的是spark历史服务器(18080),而不再是yarn历史服务器(19888)。
# 1 修改配置文件/opt/module/spark-yarn/conf/spark-defaults.conf
spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080
# 2 重启Spark历史服务
sbin/stop-history-server.sh
sbin/start-history-server.sh
# 3 提交任务到Yarn执行
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# 4 Web页面查看日志:http://hadoop103:8088/cluster
# 点击“history”跳转到http://hadoop102:18080/
2.5.4 运行流程
Spark有yarn-client和yarn-cluster两种模式,主要区别在于:Driver程序的运行节点。
- 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ResourceManager启动的APPMaster,适用于生产环境。
客户端模式(默认)
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
集群模式:
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.1.3.jar \
10
# 查看http://hadoop103:8088/cluster页面,点击History按钮,跳转到历史详情页面
# http://hadoop102:18080点击Executors->点击driver中的stdout
# 注意:如果在yarn日志端无法查看到具体的日志,则在yarn-site.xml中添加如下配置并启动Yarn历史服务器
<property>
<name>yarn.log.server.url</name>
<value>http://hadoop102:19888/jobhistory/logs</value>
</property>
# 注意:hadoop历史服务器也要启动 mr-jobhistory-daemon.sh start historyserver
2.6 Mesos模式(了解)
Spark客户端直接连接Mesos;不需要额外构建Spark集群。国内应用比较少,更多的是运用Yarn调度。
2.7 几种模式对比
模式 | Spark安装机器数 | 需启动的进程 | 所属者 |
---|---|---|---|
Local | 1 | 无 | Spark |
Standalone | 3 | Master及Worker | Spark |
Yarn | 1 | Yarn及HDFS | Hadoop |
2.8 端口号总结
- 查看当前Spark-Shell运行任务情况端口号:4040
- Spark Master内部通信服务端口号:7077(类似于yarn的8032(RM和NM的内部通信端口))
- Spark Standalone模式Master Web端口号:8080(类似于Hadoop YARN任务运行情况查看端口号:8088)
- Spark历史服务器端口号:18080(类似于hadoop历史服务器端口号:19888)