Spark在YARN上运行图解（资源调度+任务调度）及案例

前提：已经安装了spark集群，可参考上篇文章搭建：http://t.csdnimg.cn/UXBOp

一、Spark集群配置YARN

1、增加hadoop 配置文件地址

    vim spark-env.sh

    增加export HADOOP_CONF_DIR=/usr/local/soft/hadoop-3.1.1/etc/hadoop

2、关闭虚拟内存

cd /usr/local/soft/hadoop-3.1.1/etc/hadoop

vim yarn-site.xml

增加以下配置：

3、同步到其他节点

scp -r yarn-site.xml node1:pwd
scp -r yarn-site.xml node2:pwd

4、启动hadoop

start-all.sh

5、yarn与standalone一样，也有两种运行方式，client与cluster

使用spark提供的模版进行测试：

client提交命令:

spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi spark-examples_2.12-3.1.3.jar 100

cluster提交命令:

spark-submit --master yarn --deploy-mode cluster --class org.apache.spark.examples.SparkPi spark-examples_2.12-3.1.3.jar 100

注：100给的是task任务的数量，即分区的数量也是100，可以手动指定任意数量，如果不指定，默认是按照文件的分区数算。

二、client与cluster提交流程图解

1、spark yarn client

资源调度图解:

注意：MapReduce的资源调度是每次需要执行任务的时候去申请资源，而spark是提前申请任务所需要的所有资源。MapReduce这种方式叫细粒度执行，spark这种方式叫粗粒度执行。

任务调度图解：

** DAG Scheduler：**

（1）基于Stage构建DAG，决定每个任务的最佳位置

（2）将taskset传给底层调度器TaskScheduler

（3）重新提交shuffle输出丢失的stage。

Task Scheduler：

（1）提交taskset(一组并行task)到集群运行并汇报结果

（2）出现shuffle输出lost要报告fetchfailed错误

（3）碰到straggle任务需要放到别的节点上重试

（4）为每一一个TaskSet维护一一个TaskSetManager(追踪本地性及错误信息)

更易懂的任务调度图解：

**资源调度+任务调度图解： **

2、spark yarn cluster

资源调度：

名词解释：

（1) Driver:是一个进程,我们编写的Spark应用程序就运行在Driver上,由Driver进程执行

(2) Executor：是在一个workernode上为某应用用启动的一个进程，该进程负责运行任务，并且负责将数据存在内存或者磁盘上。每个应用用都有各自自独立的executors

（3）RM:ResourceManager主要作用:

     a、处理客户端请求
      b、监控NodeManager
      c、启动或监控ApplicationMaster
      d、资源的分配与调度

（4）AM:ApplicationMaster(MRAppMaster)作用:

     a、负责数据的切分
      b、为应用程序申请资源并分配内部的任务
      c、任务的监控与容错

（5）NM:NodeManager主要作用:

     a、管理单个节点上的资源
      b、处理来自ResourceManager的命令
      c、处理来自ApplicationMaster的命令

三、编写spark程序在yarn上执行

案例：计算PI

1、思路图解：

2、编写spark代码

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

import scala.util.Random

object Demo19PI {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()

    /**
     * 提交到yarn上运行，这个参数依旧不用设置
     */
    //    conf.setMaster("local")
    conf.setAppName("yarn submit")

    val context = new SparkContext(conf)

    //设置生成点的个数 10000
    val list: Range.Inclusive = 0 to 10000
    //将scala的序列集合变成rdd
    val rangeRDD: RDD[Int] = context.parallelize(list)

    //随机生成正方形内的点
    val dianRDD: RDD[(Double, Double)] = rangeRDD.map((i: Int) => {
      val x: Double = Random.nextDouble() * 2 - 1
      val y: Double = Random.nextDouble() * 2 - 1
      (x, y)
    })
    //    println(dianRDD.count())

    //取出圆中点的个数
    val yuanZuoRDD: RDD[(Double, Double)] = dianRDD.filter {
      case (x: Double, y: Double) =>
        x * x + y * y < 1
    }
    //    println(yuanZuoRDD.count())

    //计算PI
    println("="*100)
    println(s"PI的值为：${(yuanZuoRDD.count().toDouble / dianRDD.count()) * 4}")
    println("="*100)

    /**
     * spark-submit --class com.shujia.core.Demo19PI --master yarn --deploy-mode client  spark-1.0-SNAPSHOT.jar
     * spark-submit --class com.shujia.core.Demo19PI --master yarn --deploy-mode cluster  spark-1.0-SNAPSHOT.jar
     */

  }
}

3、提交

流程：将程序打包上传到linux中，使用以下命令在yarn上运行，与stanadalone模式相同，在yarn提交作业的方式也有两种，client模式和cluster模式

client模式：日志在本地端生成，多用于测试环境

spark-submit --class com.shujia.core.Demo19PI --master yarn --deploy-mode client spark-1.0-SNAPSHOT.jar

cluster模式：上线使用，不会再本地打印日志

spark-submit --class com.shujia.core.Demo19PI --master yarn --deploy-mode cluster spark-1.0-SNAPSHOT.jar

3.1使用client模式的命令执行：

3.2使用cluster模式的命令执行：

使用cluster模式不会再本地打印日志，我们看不到运行的结果，但是我们可以使用下列命令查看yarn的日志来确定结果：

yarn logs -applicationId application_1716726980815_0001