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。接下来,我们就分别看看不同环境下 Spark 的运行

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,一般用于教学,调试,演示等，之前在 IDEA 中运行代码的环境我们称之为开发环境,不太一样。

spark lead lag性能 spark-l_jar

部署使用

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到Linux 并解压缩，得到spark-local

## 运行本地环境，进入到解压之后的目录
bin/spark-shell

运行成功之后进入到spark的cli界面

spark lead lag性能 spark-l_jar_02

可以在这里直接执行scala命令或者是spark命令

启动成功后，可以输入网址进行 Web UI 监控页面访问：http://hadoop113:4040

spark lead lag性能 spark-l_大数据_03

## 提交应用到spark执行
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。

部署使用

集群规划:

Hadoop113

Hadoop114

Hadoop115

Spark

Worker Master

Worker

Worker

重新解压文件，得到spark-standalone

配置：

进入解压缩后路径的 conf 目录，修改 slaves.template 文件名为 slaves；

修改该文件，添加worker节点；

hadoop113
hadoop114
hadoop115

修改 spark-env.sh.template 文件名为 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
SPARK_MASTER_HOST=hadoop113
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，默认是7077

最后分发spark-standalone目录到各个服务器

启动集群：

sbin/start-all.sh

结果如下：先启动Master，再分别启动worker

spark lead lag性能 spark-l_大数据_04

xcall的创建和使用

创建文件/usr/local/bin/xcall

#!/bin/bash

#1 获取输入参数个数,如果没有参数,直接退出
pcount=$#
if ((pcount==0)); then
    echo no args;
    exit;
fi

cmd=$*

# 获取当前登录用户
user=`whoami`

# 在从机执行指令,这里需要根据你具体的集群情况配置，host与具体主机名一致，同上
for ((host=113; host<116; host++)); do
        echo ------------------- hadoop$host --------------
        echo "--> excute command \"$cmd\""
        ssh $user@hadoop$host $cmd
done

如果要执行jps还需要为每个服务器设置jps的软连接

sudo ln -s -f /opt/module/jdk1.8.0_144/bin/jps /usr/local/bin/jps

这样的话我们就能够在一台上同时查看三台服务器jps的情况了

spark lead lag性能 spark-l_spark lead lag性能_05

可以看出三台服务器都有worker进程了，而且113上有Master进程

查看 Master 资源监控Web UI 界面: http://hadoop113:8080

spark lead lag性能 spark-l_hadoop_06

## 提交应用到spark执行，测试部署是否正常
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop113:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10

–master spark://hadoop113:7077 独立部署模式,连接到 Spark 集群

在执行任务的过程中会产生多个进程

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。

spark lead lag性能 spark-l_spark_07

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

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://hadoop113:7077、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

–executor-cores

指定每个executor 使用的cpu 核数

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

application-arguments

传给 main()方法的参数，命令行参数

配置历史服务

由于 spark-shell 停止掉后，集群监控 linux1:4040 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

配置过程：

1、修改 spark-defaults.conf.template 文件名为 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://hadoop113:8020/spark

注意:需要启动 hadoop 集群,HDFS 上的 spark 目录需要提前存在。

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://hadoop113:8020/spark
-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

5、重新启动集群和历史服务

sbin/stop-all.sh
sbin/start-all.sh
sbin/start-history-server.sh

6、执行任务，查看结果

bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop113:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10

7、查看历史服务器http://hadoop113:18080

spark lead lag性能 spark-l_hadoop_08

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

集群规划:

Hadoop113

Hadoop114

Linux3Hadoop115

Spark

Master Zookeeper Worker

Master Zookeeper Worker

Zookeeper Worker

配置如下：

1、停止集群

sbin/stop-all.sh

2、启动 Zookeeper

3、修改 spark-env.sh 文件添加如下配置

#注释如下内容:
#SPARK_MASTER_HOST=hadoop113
#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=hadoop113,hadoop114,hadoop115
-Dspark.deploy.zookeeper.dir=/spark"

4、分发配置文件

5、启动集群

spark lead lag性能 spark-l_spark_09

6、启动 hadoop114 的单独 Master 节点,此时 hadoop114 节点 Master 状态处于备用状态

sbin/start-master.sh

spark lead lag性能 spark-l_jar_10

7、提交应用到高可用集群

bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop113:7077 ,hadoop114:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10

8、停止 hadoop113 的 Master 资源监控进程

spark lead lag性能 spark-l_hadoop_11

9、查看 hadoop114 的 Master 资源监控 Web UI,稍等一段时间后,hadoop114 节点的 Master 状态提升为活动状态

spark lead lag性能 spark-l_spark lead lag性能_12

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。

所以接下来我们来学习在强大的 Yarn 环境下 Spark 是如何工作的(在国内工作中,Yarn 使用的非常多)。

部署使用

1、将文件解压到指定位置，获得文件spark-yarn

2、修改 hadoop 配置文件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>

3、修改spark的配置文件 conf/spark-env.sh,添加 JAVA_HOME 和 YARN_CONF_DIR 配置

mv spark-env.sh.template spark-env.sh

## 修改内容如下
export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop-3.2.2/etc/hadoop

4、启动 HDFS 以及 YARN 集群

5、提交应用

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

spark lead lag性能 spark-l_大数据_13

通过http://hadoop114:8088查看历史页面

spark lead lag性能 spark-l_spark lead lag性能_14

6、配置历史服务器

配置过程：

6.1、修改 spark-defaults.conf.template 文件名为 spark-defaults.conf

6.2、修改 spark-default.conf 文件,配置日志存储路径以及关联yarn历史服务器

spark.eventLog.enabled          true
spark.eventLog.dir              hdfs://hadoop113:8020/spark

spark.yarn.historyServer.address=hadoop113:18080
spark.history.ui.port=18080

注意:需要启动 hadoop 集群,HDFS 上的 spark 目录需要提前存在。

6.3、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://hadoop113:8020/spark
-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。

6.4、分发配置文件

6.5、重新启动集群和历史服务

6.6、提交任务

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

通过查看http://hadoop114:8088查看运行的历史结果

spark lead lag性能 spark-l_spark_15

K8S & Mesos 模式

Mesos 是 Apache 下的开源分布式资源管理框架,它被称为是分布式系统的内核,在Twitter 得到广泛使用,管理着 Twitter 超过 30,0000 台服务器上的应用部署,但是在国内,依然使用着传统的 Hadoop 大数据框架,所以国内使用 Mesos 框架的并不多,但是原理其实都差不多

spark lead lag性能 spark-l_spark_16

容器化部署是目前业界很流行的一项技术,基于 Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes(k8s),而 Spark也在最近的版本中支持了 k8s 部署模式。这里不做过多的讲解。给个链接大家自己感受一下:https://spark.apache.org/docs/latest/running-on-kubernetes.html

spark lead lag性能 spark-l_spark_17

部署模式对比

模式

Spark 安装机器数

需启动的进程

所属者

应用场景

Local

1

无

Spark

测试

Standalone

3

Master 及 Worker

Spark

单独部署

Yarn

1

Yarn 及 HDFS

Hadoop

混合部署

端口号

Spark 查看当前 Spark-shell 运行任务情况端口号：4040（计算）

Spark Master 内部通信服务端口号：7077

Standalone 模式下，Spark Master Web 端口号：8080（资源）

Spark 历史服务器端口号：18080

Hadoop YARN 任务运行情况查看端口号：8088