spark-submit提交模式

spark基本的提交语句：

./bin/spark-submit \ --class \ --master \ --deploy-mode \ --conf = \ ... # other options \ [ application-arguments ]

参数的含义:

• --class: 主函数所在的类。
• --master: master的url，后面会解释 (e.g. spark://23.195.26.187:7077)
• --deploy-mode: 部署driver在本地还是集群的一个work节点上，这也是client模式与cluster模式的区别。默认是client的模式。
• --conf:用 key=value形式指定参数，如果包含空格那么要用双引号引起来，例如“key=value”
• application-jar:jar包的路径.该路径必须在集群内全局可见。 例如： hdfs:// path 或者 file:// 这个path必须是所有节点都存在。.
• application-arguments: 传递给main函数 参数，如java main方法中的args[].

常用 提交模式：

第一种：client模式

适合于有专门的getway机器与集群位于同一网段，这种模式下，spark-submit提交后driver直接启动昨晚集群的一个client。集群的输出会返回到client端的console上。这种模式很适合spark-shell。

第二种：如果提交的机器远离spark集群的worker机器，最好使用cluster模式，该模式能够减少网络传输的错误。目前standalone模式并不支持py的这种方式。

对于cluster的管理还有一些参数要指定，比如说在standalone模式下，指定 --supervise参数可以在driver在返回码是非0的退出后重启driver。下面是几种常用的提交命令参数：

#本地运行，指定8个core ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master local [ 8 ] \ /path/to/examples.jar \ 100 # 在 Spark standalone 集群并且是client模式 ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://207.184.161.138:7077 \ --executor-memory 20G \ --total-executor-cores 100 \ /path/to/examples.jar \ 1000 # 在 Spark standalone 集群并且是cluster模式 并指定supervise ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master spark://207.184.161.138:7077 \ --deploy-mode cluster \ --supervise \ --executor-memory 20G \ --total-executor-cores 100 \ /path/to/examples.jar \ 1000 # Yarn cluster模式 export HADOOP_CONF_DIR = XXX./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode cluster \ # can be client for client mode --executor-memory 20G \ --num-executors 50 \ /path/to/examples.jar \ 1000 # python提交到standalone的cluster模式 ./bin/spark-submit \ --master spark://207.184.161.138:7077 \ examples/src/main/python/pi.py \ 1000 # mesos cluster模式，并指定supervise。 ./bin/spark-submit \ --class org.apache.spark.examples.SparkPi \ --master mesos://207.184.161.138:7077 \ --deploy-mode cluster \ --supervise \ --executor-memory 20G \ --total-executor-cores 100 \ http://path/to/examples.jar \ 1000

关于master url的指定方法：

local	本地worker线程中运行spark，完全没有并行
local[K]	在本地work线程中启动K个线程运行spark
local[*]	启动与本地work机器的core个数想通的线程数来运行spark
spark://HOST:PORT	连接指定的standalone集群的master，默认7077端口
mesos://HOST:PORT	连接到mesos集群，默认5050端口。如果mesos使用了zk，那么也可以mesos://zk://.... 加 --deploy-mode cluster这种形式。
yarn	使用yarn的cluster或者yarn的client模式连接。取决于--deploy-mode参数，集群的位置需要使用hadoop的配置或者yarn的配置中去寻找。

关于默认配置文件：

spark-submit会默认读取conf/spark-defaults.conf  里面设置 配置。

依赖管理:

使用spark-submit来提交spark程序，spark app本身jar以及使用--jars指定的所有jar包都会自动被分发到集群。 --jars 参数必须使用逗号分隔。spark使用下面这些方法指定jar来分发jar：

• file: - 绝对路径 file:/ dirver的http file server。executors会从该driver上拉取jar。
• hdfs:, http:, https:, ftp: -从这些位置拉取
• local: - 从worke所在 每台机器本地拉取文件，适合于jar包很大的场景。