[大数据]Spark入门——Spark运行环境

参考链接

1. https://www.bilibili.com/video/BV11A411L7CK?p=11

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，一般用于教学，调试，演示等。在IDEA中运行代码的环境称为开发环境，不一样

1. 可以在命令行中输入spark-shell启动

2. 启动成功后，可以输入网址进行Web UI监控页面访问

3. 按Ctrl+C或输入Scala指令:quit退出本地模式

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

1. –class表示要执行程序的主类，此处可以更换为自己写的应用程序
2. –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
3. spark-examples_2.12-3.0.0.jar运行的应用类所在的jar包，实际使用时，可以设定为自己打的jar包
4. 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。只使用Spark自身节点运行的集群模式，就是所谓的独立部署（Standalone）模式。Spark的Standalone模式体现了经典的master-slave模式

集群规划：

修改配置文件

1. 进入解压缩后的conf目录，修改slavers.template文件名为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.sh

4. 修改spark-env.sh，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=linux1
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

5. 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. 查看三条服务器运行进程

3. 查看Master资源监控Web UI界面：http://linux1:8080

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

1. –class表示要执行程序的主类
2. –master spark://linux1:7077独立部署模式，连接到Spark集群
3. spark-examples_2.12-3.0.0.jar运行类所在的jar包
4. 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

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

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://linux1:8020/directory

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://linux1:8020/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，旧的应用程序的信息将被删除，这是内存中的应用数，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任务

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://linux1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

配置高可用（HA）

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。为此，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踢动服务，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：

1. 停止集群

sbin/stop-all.sh

2. 启动Zookeeper

xstart zk

3. 修改spark-env.sh文件添加如下配置

注释如下内容：

#SPARK_MASTER_HOST=linux1
#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=linux1,linux2,linux3
-Dspark.deploy.zookeeper.dir=/spark"

4. 分发配置文件

xsync conf/

5. 启动集群

sbin/start-all.sh

6. 启动linux2的单独Master节点，此时linux2节点Master状态处于备用状态

sbin/start-master.sh

7. 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

8. 停止linux1的Master资源监控进程

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

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>

2. 修改conf/spark-env.sh，添加JAVA_HOME和YARN_CONF_DIR配置

export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop

3. 启动HDFS以及YARN集群

4. 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

查看http://linux2:8088页面，点击History，查看历史页面

5. 配置历史服务器

6. 修改spark-defaults.conf.template文件名为spark-defaults.conf

7. 修改spark-default.conf文件，配置日志存储路径

spark.eventLog.enabled          true
spark.eventLog.dir              hdfs://linux1:8020/directory

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://linux1:8020/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，旧的应用程序的信息将被删除，这是内存中的应用数，而不是页面上显示的应用数

4. 修改spark-defaults.conf

spark.yarn.historyServer.address=linux1:18080
spark.history.ui.port=18080

5. 启动历史服务

sbin/start-history-server.sh

6. 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

7. Web页面查看日志：http://linux2:8088

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，依然使用传统Hadoop大数据框架，所以国内使用Mesos框架的并不多，但是原理都差不多

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

Windows模式

在学习时，每次都需要启动虚拟机，启动集群，这是一个比较繁琐的过程，并且会占用大量的系统资源，导致系统执行变慢。Spark提供了可以在windows系统下启动本地集群的方式，这样，在不使用虚拟机的情况下，也能学习Spark的基本使用

1. 解压缩文件
   将文件spark-3.0.0-bin-hadoop3.2.tgz解压缩到无中文无空格的路径中

2. 启动本地环境
   i) 执行解压缩文件路径下bin目录中的spark-shell.cmd文件，启动Spark本地环境

ii) 在bin目录中创建input目录，并添加word.txt文件，在命令行中输入脚本代码

3. 命令行提交应用
   在DOS命令行窗口中执行提交指令

spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10