二、Spark运行环境

发表于2021-03-26更新于2022-06-05字数统计4k阅读时长28分

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。接下来，我们就分别看看不同环境下 Spark 的运行。

文章目录

1. 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，之前在 IDEA 中运行代码的环境我们称之为开发环境，不太一样。

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，路径中不要包含中文或空格，后续如果涉及到解压缩操作，不再强调。

1
2
3
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

2. 启动 Local 环境

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

  1. 启动成功后，可以输入网址进行 Web UI 监控页面访问
1
http://虚拟机地址:4040

3. 命令行工具

在解压缩文件夹下的 data 目录中，添加 word.txt 文件，文件内容如下：

1
2
3
4
Hello Scala
Hello Spark
Hello Scala
Hello Spark

在命令行工具中执行如下代码指令（和 IDEA 中代码简化版一致）

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

4. 退出本地模式

按键 Ctrl+C 或输入 Scala 指令

1
:quit

5. 提交应用

在spark-local目录下执行如下指令：

1
2
3
4
5
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，此处可以更换为咱们自己写的应用程序
  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，可以设定为咱们自己打的 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

6. Standalone 模式

使用spark必须安装hadoop吗？

一般都是要先装hadoop的，如果你只是玩Spark On Standalon 或 Local 的话，就不需要，如果你想用Spark On Yarn或者是需要去hdfs取数据的话，就应该先装hadoop。

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。

现在我们来实现Standalone模式，集群规划：

下面所有操作都在spark1主机上进行

6.1 解压缩文件

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 spark1 并解压缩在指定位置

1
2
3
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

6.2 修改配置文件

  1. 进入解压缩后路径的 conf 目录，复制 slaves.template 并修改文件名为 slaves
1
cp slaves.template slaves
  1. 修改 slaves 文件，添加 work 节点
1
2
3
spark1
spark2
spark3
  1. 复制 spark-env.sh.template 并修改文件名为 spark-env.sh
1
cp spark-env.sh.template spark-env.sh
  1. 修改 spark-env.sh 文件，添加 JAVA_HOME 环境变量和集群对应的 master 节点
1
2
3
export JAVA_HOME=/usr/java/default
SPARK_MASTER_HOST=spark1
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 目录到其他虚拟机上
1
2
3
cd /opt/module/
scp -r  spark-standalone spark2:/opt/module
scp -r  spark-standalone spark3:/opt/module

6.3 启动集群

  1. 执行脚本命令：
1
2
cd spark-standalone/
sbin/start-all.sh

  1. 查看三台服务器运行进程

在三台虚拟机上分别输入jps出现如下信息

1
2
3
4
5
6
7
8
9
10
11
12
13
####### spark1
[root@spark1 spark-standalone]# jps
1241 Master
1387 Jps
1307 Worker
####### spark2
[root@spark2 module]# jps
1284 Jps
1223 Worker
####### spark3
[root@spark3 spark-standalone]# jps
1289 Jps
1228 Worker
  1. 查看 Master 资源监控 Web UI 界面: http://spark1:8080

6.4 提交应用

1
2
3
4
5
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://spark1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

说明

  1. --class 表示要执行程序的主类
  2. --master spark://spark1:7077 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

执行任务时，会产生多个 Java 进程

1
2
3
4
5
6
7
8
[root@spark2 module]# jps 
1362 CoarseGrainedExecutorBackend  //执行节点进程
1378 Jps
1223 Worker
[root@spark3 spark-standalone]# jps
1360 Jps
1347 CoarseGrainedExecutorBackend
1228 Worker

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。

6.5 提交参数说明

在提交应用中，一般会同时一些提交参数

1
2
3
4
5
6
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
参数 解释 可选值举例
--class Spark 程序中包含主函数的类
--master Spark 程序运行的模式(环境) 模式：local[*]、spark://spark1:7077、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 传给 main()方法的参数

6.6 配置历史服务

由于 spark-shell 停止掉后，集群监控 spark1:4040 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。

以下指令在spark1虚拟机上执行

  1. 复制 spark-defaults.conf.template 并修改文件名为 spark-defaults.conf
1
cp spark-defaults.conf.template spark-defaults.conf
  1. 修改 spark-default.conf 文件，配置日志存储路径
1
2
spark.eventLog.enabled true
spark.eventLog.dir               hdfs://spark1:8020/sparklog

注意：需要启动 hadoop 集群，HDFS 上的 sparklog 目录需要提前存在。

如果目录不存在，可以在hadoop集群上执行如下命令创建：

1
2
sbin/start-dfs.sh
hadoop fs -mkdir /sparklog
  1. 修改 spark-env .sh 文件, 添加日志配置
1
2
3
4
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080 
-Dspark.history.fs.logDirectory=hdfs://spark1:8020/sparklog 
-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. 分发配置文件
1
2
3
cd /opt/module/spark-standalone
scp -r  conf spark2:`pwd`
scp -r  conf spark3:`pwd`
  1. 重新启动集群和历史服务
1
2
3
sbin/stop-all.sh
sbin/start-all.sh
sbin/start-history-server.sh
  1. 重新执行任务
1
2
3
4
5
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://spark1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
  1. 查看历史服务：http://spark1:18080

7. 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

现在我们来实现高可用，集群规划为：

以下指令没有特别说明，均在spark1上执行

  1. 停止集群
1
sbin/stop-all.sh
  1. 启动 Zookeeper

在三台虚拟机上分别执行：zkServer.sh start

  1. 修改 spark-env.sh 文件添加如下配置
1
2
3
4
5
6
7
8
9
10
11
12
13
注释如下内容：
# SPARK_MASTER_HOST=spark1
# 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=spark1,spark2,spark3
-Dspark.deploy.zookeeper.dir=/spark"
  1. 分发配置文件
1
2
3
cd /opt/module/spark-standalone
scp -r  conf spark2:`pwd`
scp -r  conf spark3:`pwd`
  1. 启动集群
1
sbin/start-all.sh

在浏览器打开http://spark1:8989，可以看到spark1节点处于活动状态

  1. 启动 spark2 的单独 Master 节点，此时 linux2 节点 Master 状态处于备用状态
1
2
3
[root@spark2 spark-standalone]# pwd
/opt/module/spark-standalone
[root@spark2 spark-standalone]# sbin/start-master.sh

在浏览器打开http://spark2:8989

  1. 提交应用到高可用集群
1
2
3
4
5
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://spark1:7077,spark2:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
  1. 停止 linux1 的 Master 资源监控进程
1
2
3
4
5
6
7
8
9
10
[root@spark1 spark-standalone]# jps
3600 Worker
3537 Master
2193 SecondaryNameNode
3893 Jps
2775 HistoryServer
3352 QuorumPeerMain
2028 DataNode
1950 NameNode
[root@spark1 spark-standalone]# kill -9 3537
  1. 查看 linux2 的 Master 资源监控 Web UI，稍等一段时间后（大概15s），linux2 节点的 Master 状态提升为活动状态

8. 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。所以接下来我们来学习在强大的 Yarn 环境下 Spark 是如何工作的（其实是因为在国内工作中，Yarn 使用的非常多）。

8.1 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。

1
2
3
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

下面的所有命令都只在spark1虚拟机上执行

8.2 修改配置文件

  1. 修改 hadoop 配置文件/opt/hadoop-2.6.5/etc/hadoop/yarn-site.xml, 并分发
1
2
3
4
5
6
7
8
9
10
<!--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 /opt/module/spark-yarn/conf/spark-env.sh，添加 JAVA_HOME 和 YARN_CONF_DIR 配置
1
2
3
4
5
6
7
cd /opt/module/spark-yarn/conf
cp spark-env.sh.template spark-env.sh
vim spark-env.sh

## 在最后添加
export JAVA_HOME=/usr/java/default
YARN_CONF_DIR=/opt/hadoop-2.6.5/etc/hadoop

8.3 启动 HDFS 以及 YARN 集群

1
2
3
start-dfs.sh # 启动HDFS
start-yarn.sh # 启动yarn
sbin/start-all.sh #启动Spark

8.4 提交应用

先cd /opt/module/spark-yarn/ 再提交应用：

1
2
3
4
5
6
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
  • --deploy-mode cluster：以集群模式执行，控制台不显示执行结果

查看http://spark1:8088页面

8.5 配置历史服务器

  1. 复制 spark-defaults.conf.template 并修改文件名为 spark-defaults.conf
1
cp spark-defaults.conf.template spark-defaults.conf
  1. 修改 spark-default.conf 文件，配置日志存储路径
1
2
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://spark1:8020/sparklog

注意：需要启动 hadoop 集群，HDFS 上的目录需要提前存在。

如果目录不存在，可以在hadoop集群上执行如下命令创建：

1
2
sbin/start-dfs.sh
hadoop fs -mkdir /sparklog
  1. 修改 spark-env .sh 文件, 添加日志配置
1
2
3
4
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080 
-Dspark.history.fs.logDirectory=hdfs://spark1:8020/sparklog 
-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.conf，再最后添加
1
2
spark.yarn.historyServer.address=spark1:18080
spark.history.ui.port=18080
  1. 启动历史服务
1
sbin/start-history-server.sh
  1. 重新提交应用
1
2
3
4
5
6
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
  • --deploy-mode client：以客户端模式执行，控制台显示执行结果

查看http://spark1:18080/

9. 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，依然使用着传统的 Hadoop 大数据框架，所以国内使用 Mesos 框架的并不多， 但是原理其实都差不多，这里我们就不做过多讲解了。

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。这里我也不做过多的讲解。给个链接大家自己感受一下：https://spark.apache.org/docs/latest/running-on-kubernetes.html

10. Windows 模式

在自己学习时，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，并且会占大量的系统资源，导致系统执行变慢，不仅仅影响学习效果，也影响学习进度，Spark 非常暖心地提供了可以在 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，摸摸哒！

在学习Spark时，一般情况下都会采用 windows 系统的集群来学习 Spark。

10.1 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

10.2 启动本地环境

  1. 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

  1. 在 bin 目录中创建 input 目录，并添加 word.txt 文件, 在word.txt中输入以下内容
1
2
3
4
Hello Scala
Hello Spark
Hello Scala
Hello Spark

在命令行中输入脚本代码

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

10.3 命令行提交应用

在 bin 目录下打开cmd，输入

1
spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10

11. 部署模式对比

12. 端口号

  • Spark 查看当前 Spark-shell 运行任务情况端口号：4040（计算）
  • Spark Master 内部通信服务端口号：7077
  • Standalone 模式下，Spark Master Web 端口号：8080（资源）
  • Spark 历史服务器端口号：18080
  • Hadoop YARN 任务运行情况查看端口号：8088