03、Spark深入解析、Spark基础解析之Spark环境搭建(不同模式)

Local本地模式

安装

cd /export/servers
tar spark-2.2.0-bin-2.6.0-cdh5.14.0.tgz
mv spark-2.2.0-bin-2.6.0-cdh5.14.0 spark

注意:

如果有权限问题,可以修改为root,方便学习时操作,实际中使用运维分配的用户和权限即可
chown -R root /export/servers/spark
chgrp -R root /export/servers/spark

解压目录说明:

bin 可执行脚本
conf 配置文件
data 示例程序使用数据
examples 示例程序
jars 依赖 jar 包
python pythonAPI
R R 语言 API
sbin 集群管理命令
yarn 整合yarn需要的东西

启动spark-shell

开箱即用(解压完毕后即可使用,无需配置其他)

直接启动bin目录下的spark-shell

./spark-shell

  • spark-shell说明

1、 直接使用./spark-shell;

表示使用local 模式启动,在本机启动一个SparkSubmit进程

2、 还可指定参数--master,如:;

spark-shell --master local[N] 表示在本地模拟N个线程来运行当前任务
spark-shell --master local[*] 表示使用当前机器上所有可用的资源

3、 不携带参数默认就是;

spark-shell --master local[*]

4、 后续还可以使用–master指定集群地址,表示把任务提交到集群上运行,如

./spark-shell --master spark://node01:7077

5、 退出spark-shell;

使用 :quit

初体验-读取本地文件

准备数据

vim /tmp/words.txt 
添加以下数据:
hello me you her 
hello you her
hello her 
hello

代码实现

//设置读取路径
val textFile = sc.textFile("file:///root/words.txt")
//处理数据
val counts = textFile.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
//收集结果
counts.collect
//结果数据
Array[(String, Int)] = Array((you,2), (hello,4), (me,1), (her,3))

初体验-读取HDFS文件

准备数据

上传文件到hdfs
hadoop fs -put /tmp/words.txt /wordcount/input/words.txt
目录如果不存在可以创建
hadoop fs -mkdir -p /wordcount/input
结束后可以删除测试文件夹
hadoop fs -rm -r /wordcount

代码实现

//读取文件
val textFile = sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
//处理数据
val counts = textFile.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
//手机结果,将处理后的结果数据存储到指定目录
counts.saveAsTextFile("hdfs://node01:8020/wordcount/output")

Standalone集群模式

集群角色介绍

Spark是基于内存计算的大数据并行计算框架,实际中运行计算任务肯定式使用集群模式

  • Standalone集群使用了分布式计算中的 master-slave 模型
  • master是集群中含有master进程的节点
  • slave是集群中的worker节点含有Executor进程

Spark架构图(官网)

 

集群规划

//主节点
node01:master
//从节点1
node02:slave/worker  
//从节点2
node03:slave/worker 

修改配置并分发

修改Spark配置文件

//进入以下目录
cd /export/servers/spark/conf
//复制配置文件并修改文件名
cp spark-env.sh.template spark-env.sh

添加以下配置(vim spark-env.sh)

#配置java环境变量
export JAVA_HOME=/export/servers/jdk1.8
#指定spark Master的IP
export SPARK_MASTER_HOST=node01
#指定spark Master的端口
export SPARK_MASTER_PORT=7077

修改以下配置文件

//复制该文件,修改其文件名,并添加配置
cp slaves.template slaves

添加以下配置(vim slaves)

#设置slave工作者节点
node02
node03

配置spark环境变量 (建议不添加,避免和Hadoop的命令冲突)

将spark添加到环境变量,添加以下内容到 /etc/profile

export SPARK_HOME=/export/servers/spark
export PATH=$PATH:$SPARK_HOME/bin

注意:

hadoop/sbin 的目录和 spark/sbin 可能会有命令冲突:
start-all.sh stop-all.sh

解决方案:
1、 把其中一个框架的sbin从环境变量中去掉;
2、 改名hadoop/sbin/start-all.sh改为:start-all-hadoop.sh;

通过scp 命令将配置文件分发到其他机器上

scp -r /export/servers/spark node02:/export/servers
scp -r /export/servers/spark node03:/export/servers
scp /etc/profile root@node02:/etc
scp /etc/profile root@node03:/etc
source /etc/profile  刷新配置

启动和停止

集群启动和停止

在主节点上启动spark集群
/export/servers/spark/sbin/start-all.sh 

单独启动和停止
在master 安装节点上启动和停止 master:

start-master.sh
stop-master.sh

在Master 所在节点上启动和停止worker(work指的是slaves 配置文件中的主机名)

start-slaves.sh
stop-slaves.sh

查看web界面

正常启动spark集群后,查看spark的web界面,查看相关信息。
http://node01:8080/(node01:节点IP)

测试

需求

使用集群模式运行Spark程序读取HDFS上的文件并执行WordCount

集群模式启动spark-shell

/export/servers/spark/bin/spark-shell --master spark://node01:7077

运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output2")

注意

集群模式下程序是在集群上运行的,不要直接读取本地文件,应该读取HDFS上的,因为程序运行在集群上。

Standalone-HA高可用模式

原理

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,存在着Master单点故障的问题。

如何解决这个单点故障问题,Spark提供了如下两种方案:

  • 第一种:基于文件系统的单点恢复(Single-Node Recovery with Local File System)---只能用于开发或者测试环境。
  • 第二种:基于Zookeeper的Stand by Masters(Stand by Master with Zookeeper)---可以用于生产环境。

 

配置HA

HA方案使用起来很简单,首先启动一个ZooKeeper集群,然后在不同节点上启动Master,注意这些节点需要具有相同的zookeeper配置。

先停止Sprak集群

/export/servers/spark/sbin/stop-all.sh 

在node01上配置:

vim /export/servers/spark/conf/spark-env.sh

注释掉Master配置

#export SPARK_MASTER_HOST=node01

在spark-env.sh添加SPARK_DAEMON_JAVA_OPTS,内容如下:

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER  -Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181  -Dspark.deploy.zookeeper.dir=/spark"

参数说明

spark.deploy.recoveryMode:恢复模式
spark.deploy.zookeeper.url:ZooKeeper的Server地址
spark.deploy.zookeeper.dir:保存集群元数据信息的文件、目录。包括Worker、Driver、Application信息。

scp到其他节点

scp /export/servers/spark/conf/spark-env.sh node02:/export/servers/spark/conf/
scp /export/servers/spark/conf/spark-env.sh node03:/export/servers/spark/conf/

启动Zookeeper集群

//查看zk当前状态
zkServer.sh status
//启动zk(每个节点启动)
zkServer.sh start
//停止zk(每个节点停止)
zkServer.sh stop

启动Spark集群

node01上启动Spark集群执行

/export/servers/spark/sbin/start-all.sh

在node02上再单独只起个master:

/export/servers/spark/sbin/start-master.sh

注意:

在普通模式下启动spark集群
只需要在主节点上执行start-all.sh 就可以了
在高可用模式下启动spark集群
先需要在任意一台主节点上执行start-all.sh 
然后在另外一台主节点上单独执行start-master.sh

查看node01和node02

http://node01:8080/
http://node02:8080/
可以观察到有一台状态为StandBy

测试HA

测试主备切换

1.在node01上使用jps查看master进程id
2.使用kill -9 id号强制结束该进程
3.稍等片刻后刷新node02的web界面发现node02为Alive

 

测试集群模式提交任务

1.集群模式启动spark-shell

/export/servers/spark/bin/spark-shell --master spark://node01:7077,node02:7077

2.运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output3")

On Yarn集群模式

官方文档
http://spark.apache.org/docs/latest/running-on-yarn.html

准备工作

1.安装启动Hadoop(需要使用HDFS和YARN,已经ok)

2.安装单机版Spark(已经ok)

注意:不需要集群,因为把Spark程序提交给YARN运行本质上是把字节码给YARN集群上的JVM运行,但是得有一个东西帮我去把任务提交上个YARN,所以需要一个单机版的Spark,里面的有spark-shell命令,spark-submit命令

3.修改配置
在spark-env.sh ,添加HADOOP_CONF_DIR配置,指明了hadoop的配置文件的位置
vim/export/servers/spark/conf/spark-env.sh

export HADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop

Cluster模式

说明

在企业生产环境中大部分都是Cluster模式运行Spark应用
Spark On YARN的Cluster模式,指的是Driver程序运行在YARN集群上

Driver是什么?

运行应用程序的main() 函数并创建SparkContext的进程

 

运行程序

spark-shell是一个简单的用来测试的交互式窗口
spark-submit用来提交打成jar包的任务

//任意目录下均可运行以下命令
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

查看界面

http://node01:8088/cluster

 

Client模式

说明

学习测试时使用,开发不使用
Spark On YARN的Client模式 指的是Driver程序运行在提交任务的客户端

 

运行程序测试

/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

两种模式的区别

Cluster和Client模式最本质的区别是:Driver程序运行在哪里!!!
运行在YARN集群中的就是Cluster模式
运行在客户端的就是Client模式

本质区别延伸出来的区别如下:

Cluster模式:生产环境中使用该模式

1、 Driver程序运行在YARN集群中;
2、 应用的运行结果不能在客户端显示
3、 该模式下Driver运行ApplicationMaster这个进程中,如果出现问题,YARN会重启ApplicationMaster(Driver);

Client模式

1、 Driver运行在Client上的SparkSubmit进程中;
2、 应用程序运行结果会在客户端显示