Spark00-安装

NiuMT 2021-05-21 10:17:47
Spark

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

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.

  1. 将spark-3.0.0-bin-hadoop3.2.tgz文件解压缩

  2. 进入解压缩后的路径，执行: bin/spark shell

    image-20210521103813983

  3. 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

    image-20210521103832824

  4. 在解压缩文件夹下的data目录中，添加word.txt文件。在命令行工具中执行如下代码指令:

    sc.textFile("data/word.txt").flatMap(_." ")).map((_,1)).reduceByKey(_+_).collect

  5. 退出本地模式: ctrl + c 或 :quit

  6. 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

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。资源管理使用Spark自带的。

正常安装（非高可用）

集群规划：

Linux1 Linux2 linux3
Worker \ Master Worker Worker

安装配置：

  1. 将spark-3.0.0-bin-hadoop3.2.tgz文件解压缩

  2. 修改slaves:

    mv slaves.template slaves

    在slaves文件内添加，不允许有空白行

    linux1

    linux2

    linux3

  3. 修改spark-env.sh

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

    添加以下内容：

    export JAVA_HOME=/opt/module/jdk1.8.0_144

    SPARK_MASTER_HOST= linux1

    SPARK_MASTER_PORT=7077

  4. 分发spark

  5. 启动集群：sbin/start all.sh

  6. 查看jps进程

  7. Web UI界面: http://linux1:8080

  8. 配置历史服务

    spark-defaults.conf 配置日志存储路径

    spark.eventLog.enabled true

    spark.eventLog.dir hdfs:// linux1:9000/directory

    需要启动hadoop集群，HDFS上的directory目录需要提前存在。

    修改 spark-env.sh

    export SPARK_HISTORY_OPTS=”

    -Dspark.history.ui.port=18080

    -Dspark.history.fs.logDirectory=hdfs:// linux1:9000/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。

    分发配置文件

    重新启动集群和历史服务

    sbin/stop-all.sh

    sbin/start-all.sh

    sbin/start-history-server.sh

  9. 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

    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。

    image-20210521110954347

  10. 提交参数

    | 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://linux1:7077、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 | 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。 |

  11. 查看历史服务：http://linux1:18080

    image-20210521111739894

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：

Linux1 Linux2 linux3
Master Master
Worker Worker Worker
Zookeeper Zookeeper Zookeeper

  1. 停止集群： sbin/stop-all.sh

  2. 启动Zookeeper

  3. 修改 spark env.sh

    注释如下内容：
:<<!
SPARK_MASTER_HOST linux1
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= linux1 linux2 linux3
-Dspark.deploy.zookeeper.dir=/spark"

  4. 分发配置文件

  5. 启动集群: sbin/start-all.sh

  6. 启动linux2的单独Master节点，此时linux2节点Master状态处于备用状态

    image-20210521113332256

    image-20210521113344339

  7. 提交应用到高可用集群

  8. kill -9 linux1的Master资源监控进程

  9. 查看linux2的Master 资源监控Web UI，稍等一段时间后，linux2节点的Master状态提升为活动状态

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（其实是因为在国内工作中，Yarn使用的非常多）。

  1. 将spark-3.0.0-bin-hadoop3.2.tgz文件解压缩

  2. 修改hadoop的yarn-site.xml配置

    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conf/spark-env.sh

    添加 JAVA_HOME和 YARN_CONF_DIR配置

    export JAVA_HOME=/opt/module/jdk1.8.0_144
    YARN_CONF_DIR=/opt/module/hadoop/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

  6. 查看http://linux2:8088页面，点击History，查看历史页面

  7. 配置历史服务器

    spark-defaults.conf 配置日志存储路径

    spark.eventLog.enabled true

    spark.eventLog.dir hdfs:// linux1:9000/directory

    spark.yarn.historyServer.address= linux1:18080
    spark.history.ui.port=18080

    需要启动hadoop集群，HDFS上的directory目录需要提前存在。

    修改 spark-env.sh

    export SPARK_HISTORY_OPTS=”

    -Dspark.history.ui.port=18080

    -Dspark.history.fs.logDirectory=hdfs:// linux1:9000/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。

    分发配置文件

    重新启动集群和历史服务

    sbin/stop-all.sh

    sbin/start-all.sh

    sbin/start-history-server.sh

    启动历史服务

    sbin/start-history-server.sh

  8. 重新提交应用

    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

  9. Web页面查看日志: 8088 和 18080端口

Spark04-SparkSql
00-MySQL安装