Spark集群的三种模式

文章目录

1、Spark的由来

1.1 Hadoop的发展1.2 MapReduce与Spark对比 2、Spark内置模块3、Spark运行模式

3.1 Standalone模式部署

配置历史服务器配置高可用运行模式 3.2 Yarn模式安装部署

配置历史服务器运行模式 4、WordCount案例 1、Spark的由来

定义：Hadoop主要解决，海量数据的存储和海量数据的分析计算。Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。 1.1 Hadoop的发展

Hadoop1.x存在的问题：

NameNode不能高可用MR框架中资源调度和任务调度耦合MR基于磁盘计算，效率低 Hadoop2.x对应的解决了以上几个问题

NameNode高可用将资源调度和任务调度解耦计算框架可插拔

Spark框架诞生早于Yarn，所以Spark自己设计了一套资源调度框架。

1.2 MapReduce与Spark对比

MR不适合迭代计算

Spark支持迭代计算和图形计算：因为Spark中间结果不落盘。但是Shuffle也得落盘。

2、Spark内置模块

Spark Core：实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。

Spark SQL：是Spark用来操作结构化数据的程序包。通过Spark SQL，我们可以使用 SQL或者Apache Hive版本的HQL来查询数据。Spark SQL支持多种数据源，比如Hive表、Parquet以及JSON等。

Spark Streaming：是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API，并且与Spark Core中的 RDD API高度对应。

Spark MLlib：提供常见的机器学习功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。

Spark GraphX：主要用于图形并行计算和图挖掘系统的组件。

集群管理器：Spark设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计算。为了实现这样的要求，同时获得最大灵活性，Spark支持在各种集群管理器（Cluster Manager）上运行，包括Hadoop YARN、Apache Mesos，以及Spark自带的一个简易调度器，叫作独立调度器。

3、Spark运行模式

Local模式：本地调试

Standalone模式：Spark自带的任务调度模式

Yarn模式：使用Yarn进行资源调度和任务调度

3.1 Standalone模式部署

集群规划 hadoop102hadoop103hadoop104SparkMaster、WorkerWorkerWorker

具体步骤：

解压安装包至指定目录

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

修改配置文件

slaves

hadoop102hadoop103hadoop104

spark-env.sh

SPARK_MASTER_HOST=hadoop102SPARK_MASTER_PORT=7077

分发spark-standalone

xsync spark-standalone/

在hadoop102上启动集群

sbin/start-all.sh

jps查看启动情况

测试

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

参数含义

参数解释可选值举例–classSpark程序中包含主函数的类–masterSpark程序运行的模式本地模式：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jarapplication-arguments传给main()方法的参数 配置历史服务器

修改配置文件

spark-defaults.conf

spark.eventLog.enabled truespark.eventLog.dir hdfs://hadoop102:8020/directory

spark-env.sh

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：WEBUI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（读）

# 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。

重新分发修改的配置文件

xsync spark-defaults.conf spark-env.sh

重启spark及其历史服务器

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

查看Spark历史服务器hadoop102:18080

配置高可用

停止集群

启动ZooKeeper

修改配置文件

spark-env.sh

#注释掉如下内容：#SPARK_MASTER_HOST=hadoop102#SPARK_MASTER_PORT=7077#添加上如下内容。配置由Zookeeper管理Master，在Zookeeper节点中自动创建/spark目录，用于管理：export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 -Dspark.deploy.zookeeper.dir=/spark"#添加如下代码#Zookeeper3.5的AdminServer默认端口是8080，和Spark的WebUI冲突export SPARK_MASTER_WEBUI_PORT=8989

重新分发修改后的文件

xsync spark-env.sh

重启集群

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

在hadoop103上启动master

sbin/start-master.sh

通过hadoop103:8989访问测试

通过jps查看进程状态

kill掉hadoop102的master进程测试

Spark HA集群访问

bin/spark-shell --master spark://hadoop102:7077,hadoop103:7077 --executor-memory 2g --total-executor-cores 2

参数：–master spark://hadoop102:7077指定要连接的集群的master

注：一旦配置了高可用以后，master后面要连接多个master

运行模式

根据Driver程序的运行位置分为如下两种模式

standalone-client(默认模式)

bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop102:7077,hadoop103:7077 --executor-memory 2G --total-executor-cores 2 --deploy-mode client ./examples/jars/spark-examples_2.12-3.0.0.jar 10

standalone-cluster

bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop102:7077,hadoop103:7077 --executor-memory 2G --total-executor-cores 2 --deploy-mode cluster ./examples/jars/spark-examples_2.12-3.0.0.jar 10

客户端模式的计算结果将打印在本地，集群模式只能在web页面中找到

3.2 Yarn模式安装部署

解压安装包到指定位置

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

修改配置文件

修改hadoop中的yarn-site.xml，分发并重启hadoop集群

yarn.nodemanager.pmem-check-enabled false yarn.nodemanager.vmem-check-enabled false

spark-env.sh

# 修改/opt/module/spark-yarn/conf/spark-env.sh，添加YARN_CONF_DIR配置，保证后续运行任务的路径都变成集群路径YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop

启动spark集群并测试

sbin/start-history-server.shsbin/start-all.shbin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn ./examples/jars/spark-examples_2.12-3.0.0.jar 10

配置历史服务器

修改配置文件

spark-defaults.conf

#写spark.eventLog.enabled truespark.eventLog.dir hdfs://hadoop102:8020/directory#读spark.yarn.historyServer.address=hadoop102:18080spark.history.ui.port=18080

spark-env.sh

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：WEBUI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（读）

# 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。

重新分发修改的配置文件

xsync spark-defaults.conf spark-env.sh

重启spark及其历史服务器

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

提交任务到Yarn

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

Web页面查看日志：http://hadoop103:8088/cluster，点击history进入hadoop102:18080

运行模式

Spark有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。

yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出。

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

yarn-cluster：Driver程序运行在由ResourceManager启动的APPMaster，适用于生产环境。

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

如果在yarn日志端无法查看到具体的日志，则在yarn-site.xml中添加如下配置并启动Yarn历史服务器

4、WordCount案例

Maven依赖和scala打包插件

org.apache.spark spark-core_2.12 3.0.0 WordCount net.alchim31.maven scala-maven-plugin 3.4.6 compile testCompile org.apache.maven.plugins maven-assembly-plugin 3.0.0 jar-with-dependencies make-assembly package single

代码

package com.atguigu.sparkimport org.apache.spark.rdd.RDDimport org.apache.spark.{SparkConf, SparkContext}object WordCount { def main(args: Array[String]): Unit = { //1.创建SparkConf并设置App名称 val conf = new SparkConf().setAppName("WC").setMaster("local[*]") //2.创建SparkContext，该对象是提交Spark App的入口 val sc = new SparkContext(conf) //3.读取指定位置文件:hello atguigu atguigu val lineRdd: RDD[String] = sc.textFile("input") //4.读取的一行一行的数据分解成一个一个的单词（扁平化）(hello)(atguigu)(atguigu) val wordRdd: RDD[String] = lineRdd.flatMap(line => line.split(" ")) //5、将数据转换结构：(hello,1)(atguigu,1)(atguigu,1) val wordToOneRdd: RDD[(String, Int)] = wordRdd.map(word => (word, 1)) //6.将转换结构后的数据进行聚合处理 atguigu:1、1 =》1+1 (atguigu,2) val wordToSumRdd: RDD[(String, Int)] = wordToOneRdd.reduceByKey((v1, v2) => v1 + v2) //7.将统计结果采集到控制台打印 val wordToCountArray: Array[(String, Int)] = wordToSumRdd.collect() wordToCountArray.foreach(println) //一行搞定 //sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).saveAsTextFile(args(1)) //8.关闭连接 sc.stop() }}

log4j.properties

log4j.rootCategory=ERROR, consolelog4j.appender.console=org.apache.log4j.ConsoleAppenderlog4j.appender.console.target=System.errlog4j.appender.console.layout=org.apache.log4j.PatternLayoutlog4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n# Set the default spark-shell log level to ERROR、When running the spark-shell, the# log level for this class is used to overwrite the root logger's log level, so that# the user can have different defaults for the shell and regular Spark apps.log4j.logger.org.apache.spark.repl.Main=ERROR# Settings to quiet third party logs that are too verboselog4j.logger.org.spark_project.jetty=ERRORlog4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERRORlog4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=ERRORlog4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=ERRORlog4j.logger.org.apache.parquet=ERRORlog4j.logger.parquet=ERROR# SPARK-9183: Settings to avoid annoying messages when looking up nonexistent UDFs in SparkSQL with Hive supportlog4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATALlog4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR