spark-submit使用及说明

一、命令 

1.向spark standalone以client方式提交job。

. /spark-submit  --master spark: //hadoop3 :7077 --deploy-mode client --class org.apache.spark.examples.SparkPi .. /lib/spark-examples-1 .3.0-hadoop2.3.0.jar

--deploy-mode client，在提交的节点会有个main进程，来运行Driver program。如果使用--deploy-mode cluster，则Driver program直接运行在worker中。

2.向spark on yarn以client方式提交job.

. /spark-submit  --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi .. /lib/spark-examples-1 .3.0-hadoop2.3.0.jar

二、Spark1.0.0 应用程序部署工具spark-submit

随着Spark的应用越来越广泛，对支持多资源管理器应用程序部署工具的需求也越来越迫切。Spark1.0.0的出现，这个问题得到了逐步改善。从Spark1.0.0开始，Spark提供了一个容易上手的应用程序部署工具bin/spark-submit，可以完成Spark应用程序在local、Standalone、YARN、Mesos上的快捷部署。

1：使用说明
      进入$SPARK_HOME目录，输入bin/spark-submit --help可以得到该命令的使用帮助。
hadoop@wyy :/app/hadoop/spark100$ bin/spark-submit --help
Usage: spark-submit [options] [app options]
Options:
  --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，可以知道配置是如何加载的。建议开启。