0


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:
在这里插入图片描述

备注:在$HADOOP_HOME/sbin 及 $SPARK_HOME/sbin 下都有 start-all.sh 和 stop-all.sh 文件
在这里插入图片描述

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()}}
标签: spark 大数据 hadoop

本文转载自: https://blog.csdn.net/weixin_42454473/article/details/129014729
版权归原作者 豪仔数据之路 所有, 如有侵权,请联系我们删除。

“Spark安装配置”的评论:

还没有评论