大数据Spark--运行环境和架构

文章目录

Spark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。

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

解压缩文件

将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 Linux 并解压缩，放置在指定位置

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-local

启动 Local 环境

1. 进入解压缩后的路径，执行如下指令 bin/spark-shell
2. 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

命令行工具

在解压缩文件夹下的data目录中，添加word.txt文件。

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

退出本地模式

:quit 

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

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。

解压缩文件

将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 Linux 并解压缩在指定位置

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-standalone

修改配置文件

1. 进入解压缩后路径的conf目录，修改slaves.template文件名为slaves mv slaves.template slaves
2. 修改slaves文件，添加work节点linux1 linux2 linux3
3. 修改spark-env.sh.template 文件名为 spark-env.shmv spark-env.sh.template spark-env.sh
4. 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 -- 自己jdk存放的路径 SPARK_MASTER_HOST=hadoop102 --自己的主机名 配置master 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
配置

1. 分发spark-standalone 目录xsync spark-standalone

启动集群

1. 执行脚本命令：sbin/start-all.sh
2. 查看三台服务器运行进程
3. 查看Master资源监控Web UI界面: http://hadoop102:8080

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 

• –class 表示要执行程序的主类
• –master spark://linux1:7077 独立部署模式，连接到 Spark 集群
• spark-examples_2.12-3.0.0.jar 运行类所在的 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

执行任务时，会产生多个Java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。

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]

参数解释可选值举例–classSpark 程序中包含主函数的类–masterSpark 程序运行的模式(环境)模式：local[*]、spark://hadoop102:7077、 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数据20符合集群内存配置即可，具体情况具体分析

配置历史服务

由于spark-shell 停止掉后，集群监控hadoop102:4040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。

(1) 修改spark-defaults.conf.template 文件名为 spark-defaults.conf

mv spark-defaults.conf.template 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://hadoop102:8020/directory  -- 配置自己的主机名
注意：需要启动hadoop集群，HDFS上的directory目录需要提前存在。

sbin/start-dfs.sh 
hadoop fs -mkdir /directory

(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://hadoop102:8020/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。

(4) 分发配置文件

xsync conf  

(5) 重新启动集群和历史服务

sbin/start-all.sh 
sbin/start-history-server.sh 

(6) 重新执行任务

bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop102:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10

1. 查看历史服务：http://hadoop102:18080

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

(1) 停止集群

    sbin/stop-all.sh  

(2) 启动Zookeeper

1. 修改spark-env.sh 文件添加如下配置 注释如下内容： #SPARK_MASTER_HOST=hadoop102 #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=hadoop102,hadoop103,hadoop104 -Dspark.deploy.zookeeper.dir=/spark
2. 分发配置文件xsync conf/
3. 启动集群sbin/start-all.sh
4. 启动linux2的单独Master节点，此时linux2节点Master状态处于备用状态 [root@hadoop103 spark-standalone]# sbin/start-master.sh
5. 提交应用到高可用集群 bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://linux1:7077,linux2:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10

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。

解压缩文件

将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 linux 并解压缩，放置在指定位置。

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-yarn

修改配置文件

1. 修改hadoop配置文件/opt/module/hadoop/etc/hadoop/yarn-site.xml, 并分发

<!--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>

1. 修改conf/spark-env.sh，添加 JAVA_HOME 和YARN_CONF_DIR配置 mv spark-env.sh.template spark-env.sh export JAVA_HOME=/opt/module/jdk1.8.0_144 YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop

启动HDFS 以及YARN集群

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 

查看http://hadoop103:8088 页面，点击 History，查看历史页面

配置历史服务器

1. 修改spark-defaults.conf.template文件名为spark-defaults.confmv spark-defaults.conf.template 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://hadoop102:8020/directory

注意：需要启动hadoop集群，HDFS上的目录需要提前存在。

[root@linux1 hadoop]# sbin/start-dfs.sh 
[root@linux1 hadoop]# hadoop fs -mkdir /directory 

1. 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://hadoop102:8020/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。

1. 修改spark-defaults.confspark.yarn.historyServer.address=hadoop102:18080 spark.history.ui.port=18080
2. 启动历史服务sbin/start-history-server.sh
3. 重新提交应用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
4. Web页面查看日志：http://hadoop103:8088

K8s容器化部署

Spark容器化部署方式：https://spark.apache.org/docs/latest/running-on-kubernetes.html

Spark运行架构

运行架构

Spark 框架的核心是一个计算引擎，整体来说，它采用了标准 master-slave 的结构。

如下图所示，它展示了一个 Spark执行时的基本结构。图形中的Driver表示master，负责管理整个集群中的作业任务调度。图形中的Executor 则是 slave，负责实际执行任务。

核心组件

Driver

Spark驱动器节点，用于执行Spark任务中的main方法，负责实际代码的执行工作。

Driver 在 Spark 作业执行时主要负责：

• 将用户程序转化为作业（job）
• 在Executor之间调度任务(task)
• 跟踪Executor的执行情况
• 通过UI展示查询运行情况

Executor

Spark Executor 是集群中工作节点（Worker）中的一个JVM进程，负责在 Spark 作业中运行具体任务（Task），任务彼此之间相互独立。Spark 应用启动时，Executor节点被同时启动，并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。

Executor 有两个核心功能：

• 负责运行组成Spark应用的任务，并将结果返回给驱动器进程
• 它们通过自身的块管理器（Block Manager）为用户程序中要求缓存的 RDD 提供内存式存储。RDD 是直接缓存在Executor进程内的，因此任务可以在运行时充分利用缓存数据加速运算。

Master & Worker

Spark 集群的独立部署环境中，不需要依赖其他的资源调度框架，自身就实现了资源调度的功能，所以环境中还有其他两个核心组件：Master和Worker，这里的Master是一个进程，主要负责资源的调度和分配，并进行集群的监控等职责，类似于Yarn环境中的RM, 而Worker 呢，也是进程，一个Worker运行在集群中的一台服务器上，由Master分配资源对数据进行并行的处理和计算，类似于Yarn环境中NM。

ApplicationMaster

Hadoop 用户向YARN集群提交应用程序时,提交程序中应该包含ApplicationMaster，用于向资源调度器申请执行任务的资源容器Container，运行用户自己的程序任务job，监控整个任务的执行，跟踪整个任务的状态，处理任务失败等异常情况。

说的简单点就是，ResourceManager（资源）和Driver（计算）之间的解耦合靠的就是
ApplicationMaster。

核心概念

Executor 与 Core

Spark Executor 是集群中运行在工作节点（Worker）中的一个JVM进程，是整个集群中
的专门用于计算的节点。在提交应用中，可以提供参数指定计算节点的个数，以及对应的资源。这里的资源一般指的是工作节点Executor的内存大小和使用的虚拟CPU核（Core）数量。

并行度（Parallelism）

在分布式计算框架中一般都是多个任务同时执行，由于任务分布在不同的计算节点进行计算，所以能够真正地实现多任务并行执行，记住，这里是并行，而不是并发。这里我们将整个集群并行执行任务的数量称之为并行度。那么一个作业到底并行度是多少呢？这个取决于框架的默认配置。应用程序也可以在运行过程中动态修改。

有向无环图（DAG）

这里所谓的有向无环图，并不是真正意义的图形，而是由Spark程序直接映射成的数据流的高级抽象模型。简单理解就是将整个程序计算的执行过程用图形表示出来,这样更直观，更便于理解，可以用于表示程序的拓扑结构。

DAG（Directed Acyclic Graph）有向无环图是由点和线组成的拓扑图形，该图形具有方向，不会闭环。

提交流程

所谓的提交流程，其实就是我们根据需求写的应用程序通过Spark客户端提交给Spark 运行环境执行计算的流程

Spark 应用程序提交到Yarn环境中执行的时候，一般会有两种部署执行的方式：Client和Cluster。两种模式主要区别在于：Driver程序的运行节点位置。

Yarn Client 模式

Client 模式将用于监控和调度的Driver模块在客户端执行，而不是在Yarn中，所以一般用于测试。

• Driver在任务提交的本地机器上运行
• Driver启动后会和ResourceManager通讯申请启动ApplicationMaster
• ResourceManager 分配 container，在合适的NodeManager 上启动ApplicationMaster，负责向ResourceManager 申请 Executor 内存
• ResourceManager 接到 ApplicationMaster 的资源申请后会分配container，然后ApplicationMaster 在资源分配指定的NodeManager上启动Executor 进程
• Executor进程启动后会向Driver反向注册, Executor全部注册完成后Driver开始执行 main 函数
• 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。

Yarn Cluster 模式

Cluster 模式将用于监控和调度的Driver模块启动在Yarn集群资源中执行。一般应用于实际生产环境。

• 在YARN Cluster模式下，任务提交后会和ResourceManager通讯申请启动ApplicationMaster，
• 随后ResourceManager分配container，在合适的NodeManager上启动ApplicationMaster，此时的ApplicationMaster 就是 Driver。
• Driver启动后向ResourceManager申请Executor内存，ResourceManager 接到ApplicationMaster 的资源申请后会分配container，然后在合适的NodeManager上启动Executor 进程
• Executor进程启动后会向Driver反向注册, Executor全部注册完成后Driver开始执行main 函数，
• 之后执行到Action算子时，触发一个Job，并根据宽依赖开始划分stage，每个stage生成对应的TaskSet，之后将task分发到各个Executor上执行。