部署Spark2.2集群(on Yarn模式)
机器规划
本次实战用到了三台CentOS7的机器，身份信息如下所示：
| IP地址 | hostname(主机名) | 身份 |
|---|---|---|
| 192.168.119.163 | node0 | NameNode、ResourceManager、HistoryServer、Master |
| 192.168.119.164 | node1 | DataNode、NodeManager、Worker |
| 192.168.119.165 | node2 | DataNode、NodeManager、Worker 、SecondaryNameNode |
要注意的地方：
- spark的Master和hdfs的NameNode、Yarn的ResourceManager在同一台机器；
- spark的Worker和hdfs的DataNode、Yarn的NodeManager在同一台机器；
先部署和启动hadoop集群环境
部署spark2.2集群on Yarn模式的前提，是先搭建好hadoop集群环境，请参考《Linux部署hadoop2.7.7集群》一文，将hadoop集群环境部署并启动成功；
部署spark集群
- 本次实战的部署方式，是先部署standalone模式的spark集群，再做少量配置修改，即可改为on Yarn模式；
- standalone模式的spark集群部署，请参考《部署spark2.2集群(standalone模式)》一文，要注意的是spark集群的master和hadoop集群的NameNode是同一台机器，worker和DataNode在是同一台机器，并且建议spark和hadoop部署都用同一个账号来进行；
修改配置
如果您已经完成了hadoop集群和spark集群(standalone模式)的部署，接下来只需要两步设置即可：
- 假设hadoop的文件夹hadoop-2.7.7所在目录为/home/hadoop/，打开spark的spark-env.sh文件，在尾部追加一行：
export HADOOP_CONF_DIR=/home/hadoop/hadoop-2.7.7/etc/hadoop
- 打开hadoop-2.7.7/etc/hadoop/yarn-site.xml文件，在configuration节点中增加下面两个子节点，如果不做以下设置，在提交spark任务的时候，yarn可能将spark任务kill掉，导致"Failed to send RPC xxxxxx"异常：
<property>
<name>yarn.nodemanager.pmem-check-enabledname>
<value>falsevalue>
property>
<property>
<name>yarn.nodemanager.vmem-check-enabledname>
<value>falsevalue>
property>
本次实战一共有三台电脑，请确保在每台电脑上都做了上述配置；
启动hadoop和spark
hadoop和spark都部署在当前账号的家目录下，因此启动命令和顺序如下：
~/hadoop-2.7.7/sbin/start-dfs.sh \
&& ~/hadoop-2.7.7/sbin/start-yarn.sh \
&& ~/hadoop-2.7.7/sbin/mr-jobhistory-daemon.sh start historyserver \
&& ~/spark-2.3.2-bin-hadoop2.7/sbin/start-all.sh
验证spark
- 在hdfs创建一个目录用于保存输入文件：
~/hadoop-2.7.7/bin/hdfs dfs -mkdir /input
- 准备一个txt文件(我这里是GoneWiththeWind.txt)，提交到hdfs的/input目录下：
~/hadoop-2.7.7/bin/hdfs dfs -put ~/GoneWiththeWind.txt /input
- 以client模式启动spark-shell
~/spark-2.3.2-bin-hadoop2.7/bin/spark-shell --master yarn --deploy-mode client
以下信息表示启动成功：
2019-02-09 10:13:09 WARN NativeCodeLoader:62 - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
2019-02-09 10:13:15 WARN Client:66 - Neither spark.yarn.jars nor spark.yarn.archive is set, falling back to uploading libraries under SPARK_HOME.
Spark context Web UI available at http://node0:4040
Spark context available as 'sc' (master = yarn, app id = application_1549678248927_0001).
Spark session available as 'spark'.
Welcome to
____ __
/ __/__ ___ _____/ /__
_\ \/ _ \/ _ `/ __/ '_/
/___/ .__/\_,_/_/ /_/\_\ version 2.3.2
/_/
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_191)
Type in expressions to have them evaluated.
Type :help for more information.
scala>
- 输入以下内容，即可统计之前提交的txt文件中的单词出现次数，然后将前十名打印出来：
sc.textFile("hdfs://node0:8020/input/GoneWiththeWind.txt").flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _).sortBy(_._2,false).take(10).foreach(println)
控制台输出如下，可见任务执行成功：
scala> sc.textFile("hdfs://node0:8020/input/GoneWiththeWind.txt").flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _).sortBy(_._2,false).take(10).foreach(println)
(the,18264)
(and,14150)
(to,10020)
(of,8615)
(a,7571)
(her,7086)
(she,6217)
(was,5912)
(in,5751)
(had,4502)
- 在网页上查看yarn信息，如下图：
java版本的任务提交
如果您的开发语言是java，请将应用编译构建为jar包，然后执行以下命令，就会以client模式提交任务到yarn：
~/spark-2.3.2-bin-hadoop2.7/bin/spark-submit \
--master yarn \
--deploy-mode client \
--class com.bolingcavalry.sparkwordcount.WordCount \
--executor-memory 512m \
--total-executor-cores 2 \
~/jars/sparkwordcount-1.0-SNAPSHOT.jar \
192.168.119.163 \
8020 \
GoneWiththeWind.txt
上述命令的最后三个参数是WorkCount类运行时需要用到的参数，该应用的详情请参考《第一个spark应用开发详解(java版)》;
停止hadoop和spark
如果需要停止hadoop和spark服务，命令和顺序如下：
~/spark-2.3.2-bin-hadoop2.7/sbin/stop-all.sh \
&& ~/hadoop-2.7.7/sbin/mr-jobhistory-daemon.sh stop historyserver \
&& ~/hadoop-2.7.7/sbin/stop-yarn.sh \
&& ~/hadoop-2.7.7/sbin/stop-dfs.sh
至此，Spark on Yarn模式的集群部署和验证已经完成，希望能够带给您一些参考；
欢迎关注我的公众号：程序员欣宸
