Spark安装配置

一、Spark安装

官网地址：http://spark.apache.org/

文档地址：http://spark.apache.org/docs/latest/

下载地址：http://spark.apache.org/downloads.htm

下载Spark安装包

下载地址：https://archive.apache.org/dist/spark/

安装步骤：

1、下载软件解压缩，移动到指定位置

cd /opt/software/
tar zxvf spark-2.4.5-bin-without-hadoop-scala-2.12.tgz
mv spark-2.4.5-bin-without-hadoop-scala-2.12/ ../servers/spark-2.4.5/

2、设置环境变量，并使之生效

vi /etc/profile
export SPARK_HOME=/opt/servers/spark-2.4.5
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin
source /etc/profile

3、修改配置

文件位置：$SPARK_HOME/conf

修改文件：slaves、spark-defaults.conf、spark-env.sh、log4j.properties

more slaves

linux121
linux122
linux123

more spark-defaults.conf

spark.master             spark://linux121:7077
spark.eventLog.enabled     true
spark.eventLog.dir         hdfs://linux121:9000/spark-eventlog
spark.serializer         org.apache.spark.serializer.KryoSerializer
spark.driver.memory     512m

创建 HDFS 目录：hdfs dfs -mkdir /spark-eventlog

备注：

• spark.master。定义master节点，缺省端口号 7077
• spark.eventLog.enabled。开启eventLog
• spark.eventLog.dir。eventLog的存放位置
• spark.serializer。一个高效的序列化器
• spark.driver.memory。定义driver内存的大小（缺省1G）

more spark-env.sh

export JAVA_HOME=/opt/servers/jdk1.8.0_231
export HADOOP_HOME=/opt/servers/hadoop-2.9.2
export HADOOP_CONF_DIR=/opt/servers/hadoop-2.9.2/etc/hadoop
export SPARK_DIST_CLASSPATH=$(/opt/servers/hadoop-2.9.2/bin/hadoop classpath)
export SPARK_MASTER_HOST=linux121
export SPARK_MASTER_PORT=7077

备注：这里使用的是 spark-2.4.5-bin-without-hadoop，所以要将 Hadoop 相关 jars 的位置告诉Spark

4、将Spark软件分发到集群；修改其他节点上的环境变量

cd /opt/software/
scp -r spark-2.4.5/ linux122:$PWD
scp -r spark-2.4.5/ linux123:$PWD

5、启动集群

cd $SPARK_HOME/sbin
./start-all.sh

分别在linux121、linux122、linux123上执行 jps，可以发现：

linux121：Master、Worker

linux122：Worker

linux123：Worker

此时 Spark 运行在 Standalone 模式下。

在浏览器中输入：http://linux121:8080/

可以看见如下 Spark 的 Web 界面：

备注：在$HADOOP_HOME/sbin 及 $SPARK_HOME/sbin 下都有 start-all.sh 和 stop-all.sh 文件

在输入 start-all.sh / stop-all.sh 命令时，谁的搜索路径在前面就先执行谁，此时会产生冲突

解决方案：

• 删除一组 start-all.sh / stop-all.sh 命令，让另外一组命令生效
• 将其中一组命令重命名。如：将 $HADOOP_HOME/sbin 路径下的命令重命名为：start-all-hadoop.sh / stop-all-hadoop.sh
• 将其中一个框架的 sbin 路径不放在 PATH 中

6、集群测试

测试1：
cd $SPARK_HOME/bin
run-example SparkPi 10

测试2：
spark-shell
// HDFS 文件
val lines = sc.textFile("/wcinput/wc.txt")
lines.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_).collect().foreach(println)

Spark集群是否一定依赖hdfs？不是的，除非用到了hdfs。

Apache Spark支持多种部署模式。最简单的就是单机本地模式（Spark所有进程都运行在一台机器的JVM中）、伪分布式模式（在一台机器中模拟集群运行，相关的进程在同一台机器上）。分布式模式包括：Standalone、Yarn、 Mesos。

Apache Spark支持多种部署模式：

本地模式。最简单的运行模式，Spark所有进程都运行在一台机器的 JVM 中

伪分布式模式。在一台机器中模拟集群运行，相关的进程在同一台机器上（用的非常少）

分布式模式。包括：Standalone、Yarn、Mesos

• Standalone。使用Spark自带的资源调度框架
• Yarn。使用 Yarn 资源调度框架
• Mesos。使用 Mesos 资源调度框架

二、本地模式

本地模式部署在单机，主要用于测试或实验；最简单的运行模式，所有进程都运行在一台机器的 JVM 中；

本地模式用单机的多个线程来模拟Spark分布式计算，通常用来验证开发出来的应用程序逻辑上有没有问题；

这种模式非常简单，只需要把Spark的安装包解压后，改一些常用的配置即可使用。不用启动Spark的Master、

Worker守护进程，也不用启动Hadoop的服务（除非用到HDFS）。

local：在本地启动一个线程来运行作业；

local[N]：启动了N个线程；

local[*]：使用了系统中所有的核；

local[N,M]：第一个参数表示用到核的个数；第二个参数表示容许作业失败的次数

前面几种模式没有指定M参数，其默认值都是1；

测试：

1、关闭相关服务

stop-dfs.sh
stop-all.sh

2、启动 Spark 本地运行模式

spark-shell --master local

备注：此时可能有错误。主要原因是配置了日志聚合(即是用来了hdfs，但hdfs服务关闭了)，关闭该选项即可

# spark-defaults.conf文件中，注释以下两行：
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux121:9000/spark-eventlog

3、使用 jps 检查，发现一个 SparkSubmit 进程

这个SparkSubmit进程又当爹、又当妈。既是客户提交任务的Client进程、又是Spark的driver程序、还充当着Spark 执行Task的Executor角色。

4、执行简单的测试程序

val lines = sc.textFile("file:///root/a.txt") 
lines.count 

三、伪分布式

伪分布式模式：在一台机器中模拟集群运行，相关的进程在同一台机器上；

备注：不用启动集群资源管理服务；

local-cluster[N,cores,memory]

• N模拟集群的 Slave（或worker）节点个数
• cores模拟集群中各个Slave节点上的内核数
• memory模拟集群的各个Slave节点上的内存大小

备注：参数之间没有空格，memory不能加单位

1、启动 Spark 伪分布式模式

spark-shell --master local-cluster[4,2,1024] 

2、使用 jps 检查，发现1个 SparkSubmit 进程和4个 CoarseGrainedExecutorBackend 进程

​ SparkSubmit依然充当全能角色，又是Client进程，又是Driver程序，还有资源管理的作用。4个CoarseGrainedExecutorBackend，用来并发执行程序的进程。

3、执行简单的测试程序

spark-submit --master local-cluster[4,2,1024] --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 10

备注：

• local-cluster[4,2,1024]，参数不要给太大，资源不够
• 这种模式少用，有Bug。SPARK-32236

四、集群模式–Standalone模式

参考：http://spark.apache.org/docs/latest/spark-standalone.html

• 分布式部署才能真正体现分布式计算的价值
• 与单机运行的模式不同，这里必须先启动Spark的Master和Worker守护进程；关闭 yarn 对应的服务
• 不用启动Hadoop服务，除非要使用HDFS的服务

使用jps检查，可以发现：

• linux121：Master、Worker
• linux122：Worker
• linux123：Worker

1. Standalone 配置

• sbin/start-master.sh / sbin/stop-master.sh
• sbin/start-slaves.sh / sbin/stop-slave.sh
• sbin/start-slave.sh / sbin/stop-slaves.sh
• sbin/start-all.sh / sbin/stop-all.sh

备注：./sbin/start-slave.sh [options]；启动节点上的worker进程，调试中较为常用

测试在 spark-env.sh 中增加参数，分发到集群，重启服务：

export SPARK_WORKER_CORES=10

export SPARK_WORKER_MEMORY=20g 

在浏览器中观察集群状态，测试完成后将以上两个参数分别改为2、2g，重启服务。

2. 运行模式(cluster / client)

最大的区别：Driver运行在哪里；client是缺省的模式，能看见返回结果，适合调试；cluster与此相反；

• Client模式（缺省）。Driver运行在提交任务的Client，此时可以在Client模式下，看见应用的返回结果，适合

交互、调试

• Cluster模式。Driver运行在Spark集群中，看不见程序的返回结果，合适生产环境

测试1（Client 模式）：

spark-submit --class org.apache.spark.examples.SparkPi \ 
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 1000 

再次使用 jps 检查集群中的进程：

• Master进程做为cluster manager，管理集群资源
• Worker 管理节点资源
• SparkSubmit 做为Client端，运行 Driver 程序。Spark Application执行完成，进程终止
• CoarseGrainedExecutorBackend，运行在Worker上，用来并发执行应用程序

测试2（Cluster 模式）：

spark-submit --class org.apache.spark.examples.SparkPi \ 
--deploy-mode cluster \ 
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 1000 

• SparkSubmit 进程会在应用程序提交给集群之后就退出
• Master会在集群中选择一个 Worker 进程生成一个子进程 DriverWrapper 来启动 Driver 程序
• Worker节点上会启动 CoarseGrainedExecutorBackend
• DriverWrapper 进程会占用 Worker 进程的一个core（缺省分配1个core，1G内存）
• 应用程序的结果，会在执行 Driver 程序的节点的 stdout 中输出，而不是打印在屏幕上

在启动 DriverWrapper 的节点上，进入 $SPARK_HOME/work/，可以看见类似 driver-20230213153741-0000 的目 录，这个就是 driver 运行时的日志文件，进入该目录，会发现：

• jar 文件，这就是移动的计算
• stderr 运行日志
• stdout 输出结果

3. History Server

# spark-defaults.conf # history server 

spark.eventLog.enabled         true 
spark.eventLog.dir             hdfs://linux121:9000/spark-eventlog 
spark.eventLog.compress     true# spark-env.sh exportSPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=50 -Dspark.history.fs.logDirectory=hdfs://linux121:9000/spark-eventlog"

spark.history.retainedApplications。设置缓存Cache中保存的应用程序历史记录的个数（默认50），如果超过这个 值，旧的将被删除；缓存文件数不表示实际显示的文件总数。只是表示不在缓存中的文件可能需要从硬盘读取，速度稍有差别

前提条件：启动hdfs服务（日志写到HDFS）

启动historyserver，使用 jps 检查，可以看见 HistoryServer 进程。如果看见该进程，请检查对应的日志。

$SPARK_HOME/sbin/start-history-server.sh 

web端地址：http://linux121:18080/

4. 高可用配置

Spark Standalone集群是 Master-Slaves架构的集群模式，和大部分的Master-Slaves结构集群一样，存着Master单点故障的问题。如何解决这个问题，Spark提供了两种方案：

（1）基于zookeeper的Standby Master，适用于生产模式。将 Spark 集群连接到Zookeeper，利用 Zookeeper

提供的选举和状态保存的功能，一个 Master 处于 Active 状态，其他 Master 处于Standby状态；

保证在ZK中的元数据主要是集群的信息，包括：Worker，Driver和Application以及Executors的信息；

如果Active的Master挂掉了，通过选举产生新的 Active 的 Master，然后执行状态恢复，整个恢复过程可能需要1~2 分钟；

（2）基于文件系统的单点恢复（Single-Node Rcovery with Local File System），主要用于开发或者测试环境。将 Spark Application 和 Worker 的注册信息保存在文件中，一旦Master发生故障，就可以重新启动Master进程，将系统恢复到之前的状态

配置步骤：

1、安装ZooKeeper，并启动

2、修改 spark-env.sh 文件，并分发到集群中

# 注释以下两行！！！ # export SPARK_MASTER_HOST=linux121 # export SPARK_MASTER_PORT=7077 # 添加以下内容 exportSPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER - Dspark.deploy.zookeeper.url=linux121,linux122,linux123 -Dspark.deploy.zookeeper.dir=/spark"

备注：

• spark.deploy.recoveryMode：可选值 Zookeeper、FileSystem、None
• deploy.zookeeper.url：Zookeeper的URL，主机名:端口号(缺省2181)
• deploy.zookeeper.dir：保存集群元数据信息的地址，在ZooKeeper中保存该信息

3、启动 Spark 集群（linux121）

$SPARK_HOME/sbin/start-all.sh 

浏览器输入：http://linux121:8080/，刚开始 Master 的状态是STANDBY，稍等一会变为：RECOVERING，最终是： ALIVE

4、在 linux122 上启动master

$SPARK_HOME/sbin/start-master.sh 

进入浏览器输入：http://linux122:8080/，此时 Master 的状态为：STANDBY

5、杀到linux121上 Master 进程，再观察 linux122 上 Master 状态，由 STANDBY => RECOVERING => ALIVE

小结：

• 配置每个worker的core、memory
• 运行模式：cluster、client；client缺省模式，有返回结果，适合调试；cluster与此相反
• History server
• 高可用（ZK、Local Flile；在ZK中记录集群的状态）

五、集群模式–Yarn模式

参考：http://spark.apache.org/docs/latest/running-on-yarn.html

需要启动的服务：hdfs服务、yarn服务

需要关闭 Standalone 对应的服务(即集群中的Master、Worker进程)，一山不容二虎！

在Yarn模式中，Spark应用程序有两种运行模式：

• 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RM启动的 AppMaster中，适用于生产环境

二者的主要区别：Driver在哪里

1、关闭 Standalon 模式下对应的服务；开启 hdfs、yarn、historyserver 服务

2、修改 yarn-site.xml 配置

在 $HADOOP_HOME/etc/hadoop/yarn-site.xml 中增加，分发到集群，重启 yarn 服务

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

备注：

• yarn.nodemanager.pmem-check-enabled。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
• 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

3、修改配置，分发到集群

# spark-env.sh 中这一项必须要有exportHADOOP_CONF_DIR=/opt/servers/hadoop-2.9.2/etc/hadoop
# spark-default.conf(以下是优化)# 与 hadoop historyserver集成
spark.yarn.historyServer.address linux121:18080
# 添加(以下是优化)
spark.yarn.jars hdfs:///spark-yarn/jars/.jar
# 将 $SPARK_HOME/jars 下的jar包上传到hdfs
hdfs dfs -mkdir-p /spark-yarn/jars/
cd$SPARK_HOME/jars
hdfs dfs -put  /spark-yarn/jars/

4、测试

# client
spark-submit --masteryarn --deploy-mode client --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 2000

在提取App节点上可以看见：SparkSubmit、CoarseGrainedExecutorBackend

在集群的其他节点上可以看见：CoarseGrainedExecutorBackend

在提取App节点上可以看见：程序计算的结果（即可以看见计算返回的结果）

# cluster
spark-submit --masteryarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi $SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar 2000

在提取App节点上可以看见：SparkSubmit

在集群的其他节点上可以看见：CoarseGrainedExecutorBackend、ApplicationMaster(Driver运行在此)

在提取App节点上看不见最终的结果

整合HistoryServer服务

前提：Hadoop的 HDFS、Yarn、HistoryServer 正常；Spark historyserver服务正常；

Hadoop：JobHistoryServer

Spark：HistoryServer

spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar \
20

1、修改 spark-defaults.conf，并分发到集群

# 修改 spark-defaults.conf
spark.master spark://linux121:7077
spark.eventLog.enabled true
spark.eventLog.dir hdfs://linux121:9000/spark-eventlog
spark.serializer org.apache.spark.serializer.KryoSerializer
spark.driver.memory 512m
# 新增
spark.yarn.historyServer.address linux121:18080
spark.history.ui.port 18080

2、重启/启动 spark 历史服务

stop-history-server.sh
start-history-server.sh

3、提交任务

spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
$SPARK_HOME/examples/jars/spark-examples_2.12-2.4.5.jar \
100

4、Web页面查看日志(图见上)

备注：

1、在课程学习的过程中，大多数情况使用Standalone模式 或者 local模式

2、建议不使用HA；更多关注的Spark开发

六、开发环境搭建IDEA

前提：安装scala插件；能读写HDFS文件

pom.xml：

<?xml version="1.0" encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>org.example</groupId><artifactId>BigData</artifactId><version>1.0-SNAPSHOT</version><properties><maven.compiler.source>1.8</maven.compiler.source><maven.compiler.target>1.8</maven.compiler.target><scala.version>2.12.12</scala.version><spark.version>2.4.5</spark.version><hadoop.version>2.9.2</hadoop.version><encoding>UTF-8</encoding></properties><dependencies><dependency><groupId>org.scala-lang</groupId><artifactId>scala-library</artifactId><version>${scala.version}</version></dependency><dependency><groupId>org.apache.spark</groupId><artifactId>spark-core_2.12</artifactId><version>${spark.version}</version></dependency></dependencies><build><pluginManagement><plugins><!-- 编译scala的插件 --><plugin><groupId>net.alchim31.maven</groupId><artifactId>scala-maven-plugin</artifactId><version>3.2.2</version></plugin><!-- 编译java的插件 --><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><version>3.5.1</version></plugin></plugins></pluginManagement><plugins><plugin><groupId>net.alchim31.maven</groupId><artifactId>scala-maven-plugin</artifactId><executions><execution><id>scala-compile-first</id><phase>process-resources</phase><goals><goal>add-source</goal><goal>compile</goal></goals></execution><execution><id>scala-test-compile</id><phase>process-test-resources</phase><goals><goal>testCompile</goal></goals></execution></executions></plugin><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><executions><execution><phase>compile</phase><goals><goal>compile</goal></goals></execution></executions></plugin><!-- 打jar插件 --><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-shade-plugin</artifactId><version>2.4.3</version><executions><execution><phase>package</phase><goals><goal>shade</goal></goals><configuration><filters><filter><artifact>:</artifact><excludes><exclude>META-INF/.SF</exclude><exclude>META-INF/.DSA</exclude><exclude>META-INF/.RSA</exclude></excludes></filter></filters></configuration></execution></executions></plugin></plugins></build></project>

packagecom.endless.sparkcoreimportorg.apache.spark.rdd.RDD
importorg.apache.spark.{SparkConf, SparkContext}object WordCount {def main(args: Array[String]):Unit={val conf =new SparkConf().setMaster("local").setAppName("WordCount")val sc =new SparkContext(conf)val lines: RDD[String]= sc.textFile("hdfs://linux121:9000/wcinput/wc.txt")
    lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect().foreach(println)
    sc.stop()}}