【Spark】Spark On Yarn 环境搭建及 WordCount 程序原理深度剖析

1、Spark On Yarn 环境搭建

参考文献：http://spark.apache.org/docs/1.6.1/running-on-yarn.html
（1）将配置文件/opt/cdh-5.3.6/hadoop-2.5.0-cdh5.3.6/etc/hadoop/yarn-site.xml的路径加入Spark的Classpath中，即在/opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/conf/spark-env.sh中设置HADOOP_CONF_DIR=/opt/cdh-5.3.6/hadoop-2.5.0-cdh5.3.6/etc/hadoop。
（2）配置Spark on Yarn Job History
配置在yarn页面可以通过链接直接点击进入history执行页面：
1）修改/opt/cdh-5.3.6/hadoop-2.5.0-cdh5.3.6/etc/hadoop/yarn-site.xml文件，yarn-site.xml文件配置如下：

        yarn.nodemanager.aux-services
        mapreduce_shuffle


        yarn.resourcemanager.hostname
        bigdata-senior.ibeifeng.com


        yarn.log-aggregation-enable
        true


        yarn.log.server.url
        http://bigdata-senior.ibeifeng.com:19888/jobhistory/job/


        yarn.log-aggregation.retain-seconds
        640800

2）修改配置文件/opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/conf/spark-defaults.conf

spark.eventLog.enabled                  true
spark.eventLog.dir                      hdfs://bigdata-senior.ibeifeng.com:8020/user/beifeng/spark/history
spark.yarn.historyServer.address        http://bigdata-senior.ibeifeng.com:18080

（3）启动Spark的History Server
spark-1.6.1-bin-2.5.0-cdh5.3.6]$ sbin/start-history-server.sh
（4）启动Yarn
Spark的History Server管理界面：http://bigdata-senior.ibeifeng.com:18080/

2、Spark任务提交到Yarn执行

Spark应用的构成：Driver + Executors。
Driver：main方法运行的JVM的地方；主要功能是：SparkContext上下文创建、RDD构建、RDD调度、RDD运行资源调度。
Executor：具体task执行JVM的地方。
Spark应用启动配置信息可以在三个地方配置（优先级：1 < 2 < 3）：

1. spark-defaults.conf
2. spark-submit脚本参数
3. spark应用中通过SparkConf对象指定参数

spark-submit脚本参数（可用于Spark资源调优）：
参考文献：http://spark.apache.org/docs/1.6.1/configuration.html#available-properties
–master：给定运行spark应用的执行位置信息；
–deploy-mode：给定driver在哪儿执行：
client：driver在执行spark-submit的那台机器上运行；
cluster：driver在集群中任选一台机器运行；
–driver-memory MEM：指定driver运行的时候jvm的内存大小，默认1G，一般情况下要求比单个executor的内存要大；
–executor-memory MEM：指定单个executor的内存大小，默认1G；
–driver-cores NUM：指定spark on standalone的时候，而且是cluster模式的情况下，driver运行过程中使用的core数量，默认1；
–supervise：当运行环境为standalone/mesos + cluster，如果driver运行失败，会重新自动进行恢复操作；
–total-executor-cores NUM：运行环境为standalone/mesos，给定应用需要的总的core的数目，默认所有；
–executor-cores NUM：运行环境为standalon/yarn，给定应用运行过程中，每个executor包含的core数目，默认1个（yarn），默认all（standalone）；
–driver-cores NUM：spark on yarn cluster， 给定driver运行需要多少个core，默认1个
–num-executors NUM：申请多少个executor，默认2。
spark-submit脚本示例：
spark-1.6.1-bin-2.5.0-cdh5.3.6]$ bin/spark-submit --class com.ibeifeng.bigdata.spark.app.core.SparkWordCount /opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/data/logs-analyzer.jar
spark-1.6.1-bin-2.5.0-cdh5.3.6]$ bin/spark-submit --master yarn --deploy-mode client --class com.ibeifeng.bigdata.spark.app.core.SparkWordCount /opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/data/logs-analyzer.jar
local执行：(如果我们不给定master的值，默认是本地)
spark-1.6.1-bin-2.5.0-cdh5.3.6]$ bin/spark-submit --class com.ibeifeng.bigdata.spark.app.core.SparkWordCount /opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/data/logs-analyzer.jar

3、WordCount程序代码

（1）Java开发WordCount Local程序

package cn.spark.study.core;

import java.util.Arrays;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;

/**
 * 使用java开发本地测试的wordcount程序
 * @author Administrator
 *
 */
public class WordCountLocal {
	
	public static void main(String[] args) {
		// 编写Spark应用程序
		// 本地执行，是可以执行在eclipse中的main方法中，执行的
		
		// 第一步：创建SparkConf对象，设置Spark应用的配置信息
		// 使用setMaster()可以设置Spark应用程序要连接的Spark集群的master节点的url
		// 但是如果设置为local则代表，在本地运行
		SparkConf conf = new SparkConf()
				.setAppName("WordCountLocal")
				.setMaster("local");  
		
		// 第二步：创建JavaSparkContext对象
		// 在Spark中，SparkContext是Spark所有功能的一个入口，你无论是用java、scala，甚至是python编写
			// 都必须要有一个SparkContext，它的主要作用，包括初始化Spark应用程序所需的一些核心组件，包括
			// 调度器（DAGSchedule、TaskScheduler），还会去到Spark Master节点上进行注册，等等
		// 一句话，SparkContext，是Spark应用中，可以说是最最重要的一个对象
		// 但是呢，在Spark中，编写不同类型的Spark应用程序，使用的SparkContext是不同的，如果使用scala，
			// 使用的就是原生的SparkContext对象
			// 但是如果使用Java，那么就是JavaSparkContext对象
			// 如果是开发Spark SQL程序，那么就是SQLContext、HiveContext
			// 如果是开发Spark Streaming程序，那么就是它独有的SparkContext
			// 以此类推
		JavaSparkContext sc = new JavaSparkContext(conf);
	
		// 第三步：要针对输入源（hdfs文件、本地文件，等等），创建一个初始的RDD
		// 输入源中的数据会打散，分配到RDD的每个partition中，从而形成一个初始的分布式的数据集
		// 我们这里呢，因为是本地测试，所以呢，就是针对本地文件
		// SparkContext中，用于根据文件类型的输入源创建RDD的方法，叫做textFile()方法
		// 在Java中，创建的普通RDD，都叫做JavaRDD
		// 在这里呢，RDD中，有元素这种概念，如果是hdfs或者本地文件呢，创建的RDD，每一个元素就相当于
		// 是文件里的一行
		JavaRDD lines = sc.textFile("C://Users//Administrator//Desktop//spark.txt");
	
		// 第四步：对初始RDD进行transformation操作，也就是一些计算操作
		// 通常操作会通过创建function，并配合RDD的map、flatMap等算子来执行
		// function，通常，如果比较简单，则创建指定Function的匿名内部类
		// 但是如果function比较复杂，则会单独创建一个类，作为实现这个function接口的类
		
		// 先将每一行拆分成单个的单词
		// FlatMapFunction，有两个泛型参数，分别代表了输入和输出类型
		// 我们这里呢，输入肯定是String，因为是一行一行的文本，输出，其实也是String，因为是每一行的文本
		// 这里先简要介绍flatMap算子的作用，其实就是，将RDD的一个元素，给拆分成一个或多个元素
		JavaRDD words = lines.flatMap(new FlatMapFunction() {
			
			private static final long serialVersionUID = 1L;
			
			@Override
			public Iterable call(String line) throws Exception {
				return Arrays.asList(line.split(" "));  
			}
			
		});
		
		// 接着，需要将每一个单词，映射为(单词, 1)的这种格式
			// 因为只有这样，后面才能根据单词作为key，来进行每个单词的出现次数的累加
		// mapToPair，其实就是将每个元素，映射为一个(v1,v2)这样的Tuple2类型的元素
			// 如果大家还记得scala里面讲的tuple，那么没错，这里的tuple2就是scala类型，包含了两个值
		// mapToPair这个算子，要求的是与PairFunction配合使用，第一个泛型参数代表了输入类型
			// 第二个和第三个泛型参数，代表的输出的Tuple2的第一个值和第二个值的类型
		// JavaPairRDD的两个泛型参数，分别代表了tuple元素的第一个值和第二个值的类型
		JavaPairRDD pairs = words.mapToPair(
				
				new PairFunction() {

					private static final long serialVersionUID = 1L;
		
					@Override
					public Tuple2 call(String word) throws Exception {
						return new Tuple2(word, 1);
					}
					
				});
		
		// 接着，需要以单词作为key，统计每个单词出现的次数
		// 这里要使用reduceByKey这个算子，对每个key对应的value，都进行reduce操作
		// 比如JavaPairRDD中有几个元素，分别为(hello, 1) (hello, 1) (hello, 1) (world, 1)
		// reduce操作，相当于是把第一个值和第二个值进行计算，然后再将结果与第三个值进行计算
		// 比如这里的hello，那么就相当于是，首先是1 + 1 = 2，然后再将2 + 1 = 3
		// 最后返回的JavaPairRDD中的元素，也是tuple，但是第一个值就是每个key，第二个值就是key的value
		// reduce之后的结果，相当于就是每个单词出现的次数
		JavaPairRDD wordCounts = pairs.reduceByKey(
				
				new Function2() {
					
					private static final long serialVersionUID = 1L;
		
					@Override
					public Integer call(Integer v1, Integer v2) throws Exception {
						return v1 + v2;
					}
					
				});
		
		// 到这里为止，我们通过几个Spark算子操作，已经统计出了单词的次数
		// 但是，之前我们使用的flatMap、mapToPair、reduceByKey这种操作，都叫做transformation操作
		// 一个Spark应用中，光是有transformation操作，是不行的，是不会执行的，必须要有一种叫做action
		// 接着，最后，可以使用一种叫做action操作的，比如说，foreach，来触发程序的执行
		wordCounts.foreach(new VoidFunction>() {
			
			private static final long serialVersionUID = 1L;
			
			@Override
			public void call(Tuple2 wordCount) throws Exception {
				System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");    
			}
			
		});		
		sc.close();
	}
}

（2）Java开发 WordCount Cluster程序

package cn.spark.study.core;

import java.util.Arrays;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import scala.Tuple2;

/**
 * 将java开发的wordcount程序部署到spark集群上运行
 * @author Administrator
 *
 */
public class WordCountCluster {
	
	public static void main(String[] args) {
		// 如果要在spark集群上运行，需要修改的，只有两个地方
		// 第一，将SparkConf的setMaster()方法给删掉，默认它自己会去连接
		// 第二，我们针对的不是本地文件了，修改为hadoop hdfs上的真正的存储大数据的文件
		
		// 实际执行步骤：
		// 1、将spark.txt文件上传到hdfs上去
		// 2、使用我们最早在pom.xml里配置的maven插件，对spark工程进行打包
		// 3、将打包后的spark工程jar包，上传到机器上执行
		// 4、编写spark-submit脚本
		// 5、执行spark-submit脚本，提交spark应用到集群执行
		
		SparkConf conf = new SparkConf()
				.setAppName("WordCountCluster");  
		
		JavaSparkContext sc = new JavaSparkContext(conf);
		JavaRDD lines = sc.textFile("hdfs://spark1:9000/spark.txt");		
		JavaRDD words = lines.flatMap(new FlatMapFunction() {			
		private static final long serialVersionUID = 1L;
			
			@Override
			public Iterable call(String line) throws Exception {
				return Arrays.asList(line.split(" "));  
			}			
		});

		JavaPairRDD pairs = words.mapToPair(
				
				new PairFunction() {
					private static final long serialVersionUID = 1L;		
					@Override
					public Tuple2 call(String word) throws Exception {
						return new Tuple2(word, 1);
					}					
				});
		
		JavaPairRDD wordCounts = pairs.reduceByKey(
				
				new Function2() {					
					private static final long serialVersionUID = 1L;		
					@Override
					public Integer call(Integer v1, Integer v2) throws Exception {
						return v1 + v2;
					}
					
				});

		wordCounts.foreach(new VoidFunction>() {
			
			private static final long serialVersionUID = 1L;			
			@Override
			public void call(Tuple2 wordCount) throws Exception {
				System.out.println(wordCount._1 + " appeared " + wordCount._2 + " times.");    
			}			
		});		
		sc.close();
	}	
}

（3）Scala开发WordCount Cluster程序

package cn.spark.study.core

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext

/**
 * @author Administrator
 */
object WordCount {
  
  def main(args: Array[String]) {
    val conf = new SparkConf()
        .setAppName("WordCount");
    val sc = new SparkContext(conf)
  
    val lines = sc.textFile("hdfs://spark1:9000/spark.txt", 1); 
    val words = lines.flatMap { line => line.split(" ") }   
    val pairs = words.map { word => (word, 1) }   
    val wordCounts = pairs.reduceByKey { _ + _ }
    
    wordCounts.foreach(wordCount => println(wordCount._1 + " appeared " + wordCount._2 + " times."))  
  }
}

（4）Spark Cluster 端执行脚本

/opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/bin/spark-submit \
--class cn.spark.sparktest.core.WordCountCluster \
--num-executors 3 \
--driver-memory 100m \
--executor-memory 100m \
--executor-cores 3 \
/opt/cdh-5.3.6/spark-1.6.1-bin-2.5.0-cdh5.3.6/data/SparkTest-0.0.1-SNAPSHOT-jar-with-dependencies.jar \

4、WordCount 程序原理深度剖析