Spark-运行环境以及部署

水深无声 2022-09-02 04:20 182阅读 0赞

# 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。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70]

### 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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 1]

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 2]

## 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:

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>Hadoop113</th> 
   <th>Hadoop114</th> 
   <th>Hadoop115</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Spark</td> 
   <td>Worker <strong>Master</strong></td> 
   <td>Worker</td> 
   <td>Worker</td> 
  </tr> 
 </tbody> 
</table>

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

![在这里插入图片描述][7914358201f04f5e9dcd0556af104910.png]

### 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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 3]

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

![在这里插入图片描述][3efd82d8c4474a7a9382ca54f13b30dc.png]

## 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。

![在这里插入图片描述][0e614b6ff78842669f94b8e23e8fa841.png]

### 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]

<table> 
 <thead> 
  <tr> 
   <th>参数</th> 
   <th>解释</th> 
   <th>举例</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>–class</td> 
   <td>Spark 程序中包含主函数的类</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>–master</td> 
   <td>Spark 程序运行的模式(环境)</td> 
   <td>模式：local[*]、spark://hadoop113:7077、Yarn</td> 
  </tr> 
  <tr> 
   <td>–executor-memory 1G</td> 
   <td>指定每个 executor 可用内存为 1G</td> 
   <td>符合集群内存配置即可，具体情况具体分析。</td> 
  </tr> 
  <tr> 
   <td>–total-executor-cores 2</td> 
   <td>指定所有executor 使用的cpu 核数为 2 个</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>–executor-cores</td> 
   <td>指定每个executor 使用的cpu 核数</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>application-jar</td> 
   <td>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</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>application-arguments</td> 
   <td>传给 main()方法的参数，命令行参数</td> 
   <td></td> 
  </tr> 
 </tbody> 
</table>

### 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

![在这里插入图片描述][2b6789decee74e9d8bd9283b4df2ebe1.png]

### 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:

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>Hadoop113</th> 
   <th>Hadoop114</th> 
   <th>Linux3Hadoop115</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Spark</td> 
   <td>Master Zookeeper Worker</td> 
   <td>Master Zookeeper Worker</td> 
   <td>Zookeeper Worker</td> 
  </tr> 
 </tbody> 
</table>

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 4]

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 5]

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

![在这里插入图片描述][e19799640c234da1a6c2015386c49e81.png]

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 6]

## 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

<property>
        <name>yarn.nodemanager.pmem-check-enabled</name>
        <value>false</value>
    </property>
    
    <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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 7]

通过http://hadoop114:8088查看历史页面  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 8]

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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 9]

## 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

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 10]

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  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 11]

## 部署模式对比 ##

<table> 
 <thead> 
  <tr> 
   <th>模式</th> 
   <th>Spark 安装机器数</th> 
   <th>需启动的进程</th> 
   <th>所属者</th> 
   <th>应用场景</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Local</td> 
   <td>1</td> 
   <td>无</td> 
   <td>Spark</td> 
   <td>测试</td> 
  </tr> 
  <tr> 
   <td>Standalone</td> 
   <td>3</td> 
   <td>Master 及 Worker</td> 
   <td>Spark</td> 
   <td>单独部署</td> 
  </tr> 
  <tr> 
   <td>Yarn</td> 
   <td>1</td> 
   <td>Yarn 及 HDFS</td> 
   <td>Hadoop</td> 
   <td>混合部署</td> 
  </tr> 
 </tbody> 
</table>

## 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

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70]: /images/20220829/646cfe7615eb41b4bdfff565251f985b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 1]: /images/20220829/5a6a05e1c2e84d61a0414e446039c19f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 2]: /images/20220829/5e31aa5bc59e43e5aeaafc4c2846621b.png
[7914358201f04f5e9dcd0556af104910.png]: /images/20220829/e30f1408074e422db8b768ef1d13b31e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 3]: /images/20220829/22bf80f244304c2c8cb907efc68430fa.png
[3efd82d8c4474a7a9382ca54f13b30dc.png]: /images/20220829/5770bc8dc01b4c1fa984fe3a85a619d3.png
[0e614b6ff78842669f94b8e23e8fa841.png]: /images/20220829/5782ec3479254fe98323ea03651c73ba.png
[2b6789decee74e9d8bd9283b4df2ebe1.png]: /images/20220829/cdce8b407b5a4dfe9a50a07d3b94623a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 4]: /images/20220829/799e5ffcb2564c238fb84c1b36ccf5f3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 5]: /images/20220829/dc3d8f35dbb741e48b82eed3afaf7478.png
[e19799640c234da1a6c2015386c49e81.png]: /images/20220829/7e7c1858fa964994ba7df1a0c8213617.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 6]: /images/20220829/9fa2ddbae2374332a18624db1c52b920.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 7]: /images/20220829/92e87617188a4075ad2838beddf889f3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 8]: /images/20220829/3157128917644bb4919a45cce0da6046.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 9]: /images/20220829/011311fbbfdd4cf5a8a2ce0974f593ef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 10]: /images/20220829/63c52dfb56274aa6b5bfa58f359144a6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsZWFybHhq_size_16_color_FFFFFF_t_70 11]: /images/20220829/8fcb2a3cdbd44b3b8b5c1957cfd5ad79.png