目录
1 Spark-on-Yarn
yarn是hadoop中的一个组件,统一的资源调度平台。
spark任务集群运行的一种方式
spark程序运行在yarn上,standalone是否需要启动?
不需要部署启动standalone集群,只需要配置jdk,yarn的配置路径。
官方文档:
http://spark.apache.org/docs/latest/running-on-yarn.html
1.1 配置安装
1.1.1 安装hadoop环境
- 安装hadoop:需要安装HDFS模块和YARN模块,HDFS必须安装,spark运行时要把jar包存放到HDFS上。
补充配置一:
yarn默认情况下,只根据内存调度资源,所以spark on yarn运行的时候,即使通过--executor-cores指定vcore个数为N,但是在yarn的资源管理页面上看到使用的vcore个数还是1. 相关配置在capacity-scheduler.xml 文件:
<property>
<name>yarn.scheduler.capacity.resource-calculator</name>
<!-- <value>org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator</value> -->
<value>org.apache.hadoop.yarn.util.resource.DominantResourceCalculator</value>
</property>
补充配置二:
修改所有yarn节点的yarn-site.xml,在该文件中添加如下配置
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
如果不配置这两个选项,在spark-on-yarn的client模式下,如果
内存不足,报错如下:
分析原因:内存溢出
说明: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。
把配置分发到各台节点上:
# cd /root/apps/hadoop/etc/hadoop
[root@hdp-01 hadoop]# for i in 2 3 ;do scp capacity-scheduler.xml yarn-site.xml hdp-0$i:`pwd`;done
1.1.2 同步系统时间
1,手动设置同步时间:date -s 2018-03-09 date -s 09:30:20
2,利用命令同步时间 ntpdate 时间服务器
ntpdate命令没有,就使用 yum -y install ntpdate 来安装该命令。
1.1.3 spark配置
- 安装Spark:解压Spark安装程序到一台服务器上,修改spark-env.sh配置文件,spark程序将作为YARN的客户端用于提交任务
在spark-env.sh中配置
export JAVA_HOME=/usr/local/jdk1.8.0_131
export HADOOP_CONF_DIR=/root/apps/hadoop/etc/hadoop
该配置文件的作用,就是让spark程序可以找到yarn。
或者在/etc/profile中,配置 HADOOP_CONF_DIR
可以使用的是HADOOP_CONF_DIR 或者 YARN_CONF_DIR
重新source /etc/profile
启动HDFS和YARN后,就可以提交任务到yarn集群中。
1.2 运行模式(cluster模式和client模式)
任务提交到yarn集群中,没有分配到资源时的状态。
spark1.6中的提交方式: --master yarn-client yarn-cluster
1.cluster模式
./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
lib/spark-examples*.jar \
100
spark-submit --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi /root/apps/spark-2.2.0-bin-hadoop2.7/examples/jars/spark-examples_2.11-2.2.0.jar 1000
cluster模式下的进程信息:
sparkSubmit: 仅仅是负责提交任务,提交完任务,功能结束。(standalone中,driver和sparksubmit在一起)
之前说的dag,stage,生成task,都是在AppMaster中完成的,(yarn-cluster模式下,driver是在AppMaster中)
资源可以DIY:
spark-submit --master yarn --deploy-mode cluster --driver-memory 1g --driver-cores 2 --executor-cores 2 --executor-memory 1g --num-executors 100 --class org.apache.spark.examples.SparkPi /root/apps/spark-2.2.0-bin-hadoop2.7/examples/jars/spark-examples_2.11-2.2.0.jar 1000
--num-executors: 总的executor的个数
没有standalone模式,依然可以查看spark任务的DAG图
2.client模式
./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
lib/spark-examples*.jar \
10
client模式下,没有了AppMaster,替代的是ExecutorLauncher,功能类似于AppMaster
spark-shell必须使用client模式
./bin/spark-shell --master yarn --deploy-mode client
3.两种模式的区别
cluster模式:Driver程序在YARN中运行,应用的运行结果不能在客户端显示,所以最好运行那些将结果最终保存在外部存储介质(如HDFS、Redis、Mysql)而非stdout输出的应用程序,客户端的终端显示的仅是作为YARN的job的简单运行状况。
client模式:Driver运行在Client上,应用程序运行结果会在客户端显示,所有适合运行结果有输出的应用程序(如spark-shell)
1.3 原理
cluster模式:
Spark Driver首先作为一个ApplicationMaster在YARN集群中启动,客户端提交给ResourceManager的每一个job都会在集群的NodeManager节点上分配一个唯一的ApplicationMaster,由该ApplicationMaster管理全生命周期的应用。具体过程:
1. 由client向ResourceManager提交请求,并上传jar到HDFS上
这期间包括四个步骤:
a).连接到RM
b).从RM的ASM(ApplicationsManager )中获得metric、queue和resource等信息。
c). upload app jar 等 jar
d).设置运行环境和container上下文(launch-container.sh等脚本)
2. ResouceManager向NodeManager申请资源,创建Spark ApplicationMaster(每个SparkContext都有一个ApplicationMaster)
3. NodeManager启动ApplicationMaster,并向ResourceManager AsM注册
4. ApplicationMaster从HDFS中找到jar文件,启动SparkContext、DAGscheduler和YARN Cluster Scheduler
5. ResourceManager向ResourceManager AsM注册申请container资源
6. ResourceManager通知NodeManager分配Container,这时可以收到来自ASM关于container的报告。(每个container对应一个executor)
7. Spark ApplicationMaster直接和container(executor)进行交互,完成这个分布式任务。
client模式:
在client模式下,Driver运行在Client上,通过ApplicationMaster向RM获取资源。本地Driver负责与所有的executor container进行交互,并将最后的结果汇总。结束掉终端,相当于kill掉这个spark应用。一般来说,如果运行的结果仅仅返回到terminal上时需要配置这个。
客户端的Driver将应用提交给Yarn后,Yarn会先后启动ApplicationMaster和executor,另外ApplicationMaster和executor都 是装载在container里运行,container默认的内存是1G,ApplicationMaster分配的内存是driver- memory,executor分配的内存是executor-memory。同时,因为Driver在客户端,所以程序的运行结果可以在客户端显示,Driver以进程名为SparkSubmit的形式存在。
如果使用spark on yarn 提交任务,一般情况,优先使用cluster模式,该模式,Driver运行在集群中,其实就是运行在ApplicattionMaster这个进程中,如果该进程出现问题,yarn会重启ApplicattionMaster(Driver),SparkSubmit的功能就是为了提交任务。
如果使用交互式的命令行,必须用Client模式,该模式,Driver是运行在SparkSubmit进程中,因为收集的结果,必须返回到命令行(即启动命令的那台机器上),该模式,一般测试,或者运行spark-shell、spark-sql这个交互式命令行时使用
怎么查看spark-on-yarn的任务:
如果杀死一个application
先通过yarn application -list 查看当前yarn上的所有任务
然后通过 yarn application -kill appId 杀死一个任务。
yarn application -kill application_1517581724315_0007
可以查看所有的yarn application命令的参数
1.4 总结SparkOnYarn
1,spark的任务运行在yarn资源调度平台上。
spark-submit --master yarn --deploy-mode cluster client yarn-client yarn-cluster
2,yarn集群的配置,spark的配置(HADOOP_CONF_DIR/YARN_CONF_DIR)
3,两种模式的区别:cluster,driver端(sparkCOntext的初始化,dag的生成,stage的切分,task的生成) cluster,driver运行在 yarn集群的某一个container中(ApplicationMaster)
client模式下,driver运行在client上。
实际工作中,优先cluster模式, 自己测试,client模式
4,任务的资源可以自定义,--num-executors 可以指定任务使用的所有的cores。(可通过spark-submit来查看)
5,spark-shell,只能运行在client模式下
2 Spark-HA集群
secondaryname namenode edits(元素的日志文件) 合并的工作
HA:high available 高可用 双机热备 7*24H 应用不能出问题
Master节点存在单点故障,要解决此问题,就要借助zookeeper,并且启动至少两个Master节点来实现高可靠,配置方式比较简单:
Spark集群重新规划:(新增一台master节点)
hdp-01,hdp-02是Master;
hdp-02 hdp-03 hdp-04 起Worker
安装配置zk集群,并启动zk集群,验证zk集群
停止spark所有服务,在master节点上执行(hdp-01)
# stop-all.sh
修改配置文件spark-env.sh,在该配置文件中删掉SPARK_MASTER_HOST并添加如下配置
# vim /root/apps/spark/conf/spark-env.sh
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hdp-01:2181,hdp-02:2181,hdp-03:2181 -Dspark.deploy.zookeeper.dir=/spark"
1.在hdp-01节点上修改slaves配置文件内容指定worker节点
# vim /root/apps/spark/conf/slaves
2.在hdp-01上执行start-all.sh脚本,然后在hdp-02上执行start-master.sh启动第二个Master
连接spark集群的时候,指定多台master即可。
spark-shell --master spark://hdp-01:7077,hdp-02:7077
部署:
zookeeper
修改spark的配置文件,改成连接zookeeper的地址
正常启动spark集群。 在其他的一台机器上,单独启动Master。(start-master.sh)
当alive状态的master挂掉之后,就会自动切换到standby状态的master。
连接时,只需要指定多个master地址就可以了。