Spark常用三种运行模式

概述

• Spark 的运行模式有 Local(也称单节点模式），Standalone(集群模式），Spark on Yarn(运行在Yarn上），Mesos以及K8s等常用模式，本文介绍前三种模式。

Spark-shell 参数

• Spark-shell 是以一种交互式命令行方式将Spark应用程序跑在指定模式上，也可以通过Spark-submit提交指定运用程序，Spark-shell 底层调用的是Spark-submit,二者的使用参数一致的，通过- -help 查看参数：

  • -master: 指定运行模式，spark://host:port, mesos://host:port, yarn, or local[n].
  • -deploy-mode: 指定将driver端运行在client 还是在cluster.
  • -class: 指定运行程序main方法类名，一般是应用程序的包名+类名
  • -name: 运用程序名称
  • -jars: 需要在driver端和executor端运行的jar,如mysql驱动包
  • -packages: maven管理的项目坐标GAV，多个以逗号分隔
  • -conf: 以key=value的形式传入sparkconf参数，所传入的参数必须是以spark.开头
  • -properties-file: 指定新的conf文件，默认使用spark-default.conf
  • -driver-memory:指定driver端运行内存，默认1G
  • -driver-cores：指定driver端cpu数量，默认1，仅在Standalone和Yarn的cluster模式下
  • -executor-memory：指定executor端的内存，默认1G
  • -total-executor-cores：所有executor使用的cores
  • -executor-cores: 每个executor使用的cores
  • -driver-class-path: driver端的classpath
  • -executor-class-path:executor端的classpath

• sparkconf的传入有三种方式：

  • 1.通过在spark应用程序开发的时候用set()方法进行指定
  • 2.通过在spark应用程序提交的时候用过以上参数指定，一般使用此种方式，因为使用较为灵活
  • 3.通过配置spark-default.conf，spark-env.sh文件进行指定，此种方式较shell方式级别低

Local模式

• Local 模式是最简单的一种Spark运行方式，它采用单节点多线程（cpu)方式运行，local模式是一种OOTB（开箱即用）的方式，只需要在spark-env.sh导出JAVA_HOME,无需其他任何配置即可使用，因而常用于开发和学习
• 方式：./spark-shell - -master local[n] ，n代表线程数

Standalone模式

• Spark可以通过部署与Yarn的架构类似的框架来提供自己的集群模式，该集群模式的架构设计与HDFS和Yarn大相径庭，都是由一个主节点多个从节点组成，在Spark 的Standalone模式中，主，即为master;从，即为worker.

• Standalone集群模式通过配置spark-env.sh和slaves文件来部署，可以通过以下配置

  1. vi spark-env.sh
  2. SPARK_MASTER_HOST=192.168.137.200 ##配置Master节点
  3. SPARK_WORKER_CORES=2 ##配置应用程序允许使用的核数（默认是所有的core）
  4. SPARK_WORKER_MEMORY=2g  ##配置应用程序允许使用的内存（默认是一个G）
  5. vi slaves
  6. 192.168.137.200
  7. 192.168.137.201
  8. 192.168.137.202
  

• 启动集群

  1. sbin/start-all.sh
  

  Web UI:192.168.137.200:8080

Spark on Yarn

• 简而言之，Spark on Yarn 模式就是将Spark应用程序跑在Yarn集群之上，通过Yarn资源调度将executor启动在container中，从而完成driver端分发给executor的各个任务。将Spark作业跑在Yarn上，首先需要启动Yarn集群，然后通过spark-shell或spark-submit的方式将作业提交到Yarn上运行。

• 提交作业之前需要将HADOOP_CONF_DIR或YARN_CONF_DIR配置到Spark-env.sh中：

  1. vi spark-env.sh
  2. HADOOP_CONF_DIR=/opt/software/hadoop-2.6.0-cdh5.7.0/etc/hadoop
  

on Yarn的俩种模式

• Yarn的俩种模式：一种为 client;一种为 cluster,可以通过- -deploy-mode 进行指定，也可以直接在 - -master 后面使用 yarn-client和yarn-cluster进行指定
• 俩种模式的区别：在于driver端启动在本地(client),还是在Yarn集群内部的AM中(cluster)

Client 模式

• 客户端的Driver将应用提交给Yarn后，Yarn会先后启动ApplicationMaster和excutor,另外ApplicationMaster和executor都装在在container里运行，container默认的内存是1g，ApplicationMaster分配的内存是driver-memory,executor分配的内存是executor-memory.同时，因为Driver在客户端，所以程序的运行结果可以在客户端显示，Driver以进程名为SparkSubmit的形式存在。

Cluster 模式

• 1.由client向ResourceManager提交请求，并上传Jar到HDFS上

  这期间包括四个步骤:

  a).连接到RM

  b).从RM ASM(applicationsManager)中获得metric，queue和resource等信息。

  c).upload app jar and spark-assembly jar

  d).设置运行环境和container上下文

• 2.ResourceManager向NodeManager申请资源，创建Spark ApplicationMaster（每个SparkContext都有一个ApplicationManager）

• 3.NodeManager启动Spark App Master，并向ResourceManager ASM注册

• 4.Spark ApplicationMaster从HDFS中找到jar文件，启动DAGScheduler和YARN Cluster Scheduler

• 5.ResourceManager向ResourceManager ASM注册申请container资源(INFO YarnClientImpl: Submitted application)

• 6.ResourceManager通知NodeManager分配Container，这是可以收到来自ASM关于container的报告。(每个container的对应一个executor)

• 7.Spark ApplicationMaster直接和container(executor)进行交互，完成这个分布式任务。

on Yarn 部分参数调优

• spark.yarn.jars/spark.yarn.archive
  将本地jar包上传到hdfs，然后通过这个参数指定上传路径：

  1. [hadoop@hadoop001 spark-2.2.0-bin-2.6.0-cdh5.7.0]$ hdfs dfs -mkdir -p /spark/jars
  2. [hadoop@hadoop001 spark-2.2.0-bin-2.6.0-cdh5.7.0]$ hdfs dfs -put jars/ /spark/jars
  
  3. vi spark-defaults.conf
  4. spark.yarn.jars  hdfs:///spark/jars/*
  

• spark.port.maxRetries 能够启动的最大程序数+1，根据实际业务设置
*