【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

【Spark】Spark On Yarn 环境搭建及 WordCount 程序原理深度剖析_第1张图片

你可能感兴趣的:(BigData,Components,BigData)