蜗龙徒行-Spark学习笔记【四】Spark集群中使用spark-submit提交jar任务包实战经验

一、所遇问题

       由于在IDEA下可以方便快捷地运行scala程序，所以先前并没有在终端下使用spark-submit提交打包好的jar任务包的习惯，但是其只能在local模式下执行，在网上搜了好多帖子设置VM参数都不能启动spark集群，由于实验任务紧急只能暂时作罢IDEA下任务提交，继而改由终端下使用spark-submit提交打包好的jar任务。

二、spark-shell功能介绍

        进入$SPARK_HOME目录，输入bin/spark-submit --help可以得到该命令的使用帮助。

       --master  MASTER_URL                          spark://host:port, mesos://host:port, yarn, or local.
       --deploy-mode    DEPLOY_MODE          driver运行之处，client运行在本机，cluster运行在集群
       --class CLASS_NAME                              应用程序包的要运行的class
       --name NAME                                             应用程序名称
       --jars JARS                                                  用逗号隔开的driver本地jar包列表以及executor类路径
       --py-files PY_FILES                                   用逗号隔开的放置在Python应用程序PYTHONPATH上的.zip, .egg, .py文件列表
       --files                                                            FILES 用逗号隔开的要放置在每个executor工作目录的文件列表
       --properties-file                                           FILE 设置应用程序属性的文件放置位置，默认是conf/spark-defaults.conf
       --driver-memory MEM                               driver内存大小，默认512M
       --driver-java-options                                  driver的java选项
       --driver-library-path                                    driver的库路径Extra library path entries to pass to the driver
       --driver-class-path                                      driver的类路径，用--jars 添加的jar包会自动包含在类路径里
       --executor-memory MEM                          executor内存大小，默认1G

       Spark standalone with cluster deploy mode only:
       --driver-cores NUM driver使用内核数，默认为1
       --supervise 如果设置了该参数，driver失败是会重启

       Spark standalone and Mesos only:
       --total-executor-cores NUM executor使用的总核数

       YARN-only:
       --executor-cores NUM 每个executor使用的内核数，默认为1
       --queue QUEUE_NAME 提交应用程序给哪个YARN的队列，默认是default队列
       --num-executors NUM 启动的executor数量，默认是2个
       --archives ARCHIVES 被每个executor提取到工作目录的档案列表，用逗号隔开

      关于以上spark-submit的help信息，有几点需要强调一下：

• 关于--master  --deploy-mode，正常情况下，可以不需要配置--deploy-mode，使用下面的值配置--master就可以了，使用类似 --master spark://host:port --deploy-mode cluster会将driver提交给cluster，然后就将worker给kill的现象。

Master URL	含义
local	使用1个worker线程在本地运行Spark应用程序
local[K]	使用K个worker线程在本地运行Spark应用程序
local[*]	使用所有剩余worker线程在本地运行Spark应用程序
spark://HOST:PORT	连接到Spark Standalone集群，以便在该集群上运行Spark应用程序
mesos://HOST:PORT	连接到Mesos集群，以便在该集群上运行Spark应用程序
yarn-client	以client方式连接到YARN集群，集群的定位由环境变量HADOOP_CONF_DIR定义，该方式driver在client运行。
yarn-cluster	以cluster方式连接到YARN集群，集群的定位由环境变量HADOOP_CONF_DIR定义，该方式driver也在集群中运行。

• 如果要使用--properties-file的话，在--properties-file中定义的属性就不必要在spark-sumbit中再定义了，比如在conf/spark-defaults.conf 定义了spark.master，就可以不使用--master了。关于Spark属性的优先权为：SparkConf方式 > 命令行参数方式 >文件配置方式，具体参见Spark1.0.0属性配置。
• 和之前的版本不同，Spark1.0.0会将自身的jar包和--jars选项中的jar包自动传给集群。
• Spark使用下面几种URI来处理文件的传播：
  • file:// 使用file://和绝对路径，是由driver的HTTP server来提供文件服务，各个executor从driver上拉回文件。
  • hdfs:, http:, https:, ftp: executor直接从URL拉回文件
  • local: executor本地本身存在的文件，不需要拉回；也可以是通过NFS网络共享的文件。
• 如果需要查看配置选项是从哪里来的，可以用打开--verbose选项来生成更详细的运行信息以做参考。

三、如何将scala程序在IDEA中打包为JAR可执行包

A：建立新项目（new project）

• 创建名为KMeansTest的project：启动IDEA -> Welcome to IntelliJ IDEA -> Create New Project -> Scala -> Non-SBT -> 创建一个名为KMeansTest的project（注意这里选择自己安装的JDK和scala编译器） -> Finish。
• 设置KMeansTest的project structure
  
  • 增加源码目录：File -> Project Structure -> Medules -> KMeansTest，给KMeansTest创建源代码目录和资源目录，注意用上面的按钮标注新增加的目录的用途。
    

• 增加开发包：File -> Project Structure -> Libraries -> + -> java ->  选择
  
  • /usr/local/spark/spark-1.0.2-bin-hadoop2/lib/spark-assembly-1.0.2-hadoop2.2.0.jar
  • /root/.sbt/boot/scala-2.10.4/lib/scala-library.jar可能会提示错误，可以根据fix提示进行处

     （这里也可以选择SBT选项来初始化工程，这样就会自动生成以上所需的目录及库包）

B：编写代码

      在源代码scala目录下创建1个名为KMeansTest的package，并增加3个object（SparkPi、WordCoun、SparkKMeans）：

    //SparkPi代码

    package KMeansTest  
      
    import scala.math.random  
    import org.apache.spark._  
      
    /** Computes an approximation to pi */  
    object SparkPi {  
      def main(args: Array[String]) {  
        val conf = new SparkConf().setAppName("Spark Pi")  
        val spark = new SparkContext(conf)  
        val slices = if (args.length > 0) args(0).toInt else 2  
        val n = 100000 * slices  
        val count = spark.parallelize(1 to n, slices).map { i =>  
          val x = random * 2 - 1  
          val y = random * 2 - 1  
          if (x*x + y*y < 1) 1 else 0  
        }.reduce(_ + _)  
        println("Pi is roughly " + 4.0 * count / n)  
        spark.stop()  
      }  
    }  

   // WordCount1代码

    package KMeansTest  
      
    import org.apache.spark.{SparkContext, SparkConf}  
    import org.apache.spark.SparkContext._  
      
    object WordCount1 {  
      def main(args: Array[String]) {  
        if (args.length == 0) {  
          System.err.println("Usage: WordCount1 ")  
          System.exit(1)  
        }  
      
        val conf = new SparkConf().setAppName("WordCount1")  
        val sc = new SparkContext(conf)  
        sc.textFile(args(0)).flatMap(_.split(" ")).map(x => (x, 1)).reduceByKey(_ + _).take(10).foreach(println)  
        sc.stop()  
      }  
    }  

//SparkKMeans代码
package KMeansTest

import java.util.Random
import breeze.linalg.{Vector, DenseVector, squaredDistance}
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.SparkContext._

object SparkKMeans {
  val R = 1000     // Scaling factor
  val rand = new Random(42)

  def parseVector(line: String): Vector[Double] = {
    DenseVector(line.split(' ').map(_.toDouble))
  }

  def closestPoint(p: Vector[Double], centers: Array[Vector[Double]]): Int = {
    var index = 0
    var bestIndex = 0
    var closest = Double.PositiveInfinity

    for (i <- 0 until centers.length) {
      val tempDist = squaredDistance(p, centers(i))
      if (tempDist < closest) {
        closest = tempDist
        bestIndex = i
      }
    }

    bestIndex
  }

  def main(args: Array[String]) {
    if (args.length < 3) {
      System.err.println("Usage: SparkKMeans   ")
      System.exit(1)
    }
    val sparkConf = new SparkConf().setAppName("SparkKMeans").setMaster(args(0))
    val sc = new SparkContext(sparkConf)
    val lines = sc.textFile(args(1))
    val data = lines.map(parseVector _).cache()
    val K = args(2).toInt
    val convergeDist = args(3).toDouble

    val kPoints = data.takeSample(withReplacement = false, K, 42).toArray
    var tempDist = 1.0

    while(tempDist > convergeDist) {
      val closest = data.map (p => (closestPoint(p, kPoints), (p, 1)))

      val pointStats = closest.reduceByKey{case ((x1, y1), (x2, y2)) => (x1 + x2, y1 + y2)}

      val newPoints = pointStats.map {pair =>
        (pair._1, pair._2._1 * (1.0 / pair._2._2))}.collectAsMap()

      tempDist = 0.0
      for (i <- 0 until K) {
        tempDist += squaredDistance(kPoints(i), newPoints(i))
      }

      for (newP <- newPoints) {
        kPoints(newP._1) = newP._2
      }
      println("Finished iteration (delta = " + tempDist + ")")
    }

    println("Final centers:")
    kPoints.foreach(println)
    sc.stop()
  }
}

C：生成jar程序包
       生成jar程序包之前要先建立一个artifacts，File -> Project Structure -> Artifacts  -> + -> Jars -> From moudles with dependencies，然后随便选一个class作为主class。

按OK后， Build -> Build Artifacts -> KMeansTest -> rebuild进行打包，经过编译后，程序包放置在out/artifacts/KMeansTest目录下，文件名为KMeansTest.jar。

D：Spark应用程序部署

       将生成的程序包KMeansTest.jar复制到spark安装目录下，切换到用户hadoop/bin目录下进行程序的部署。

四、spark-shell下进行jar程序包提交运行实验

        下面给出了几种实验CASE的命令：

         在使用spark-submit提交spark应用程序的时候，需要注意以下几点：

• 集群外的客户机向Spark Standalone部署Spark应用程序时，要注意事先实现该客户机和Spark Standalone之间的SSH无密码登录。
• 向YARN部署spark应用程序的时候，注意executor-memory的大小，其内存加上container要使用的内存（默认值是1G）不要超过NM可用内存，不然分配不到container来运行executor。

参考资料：Spark1.0.0 应用程序部署工具spark-submit 

                    使用IntelliJ IDEA开发Spark1.0.0应用程序