Spark 集群搭建（多种方式）

前言：本文中使用的 Spark 版本为 spark-3.0.0、Hadoop 版本为 hadoop-3.1.3、Hive 版本为 hive-3.1.2、MySQL 版本为 MySQL 5.7。

集群其它生态安装与配置：

• Hadoop 完全分布式搭建（超详细）

• Hive 搭建（将 MySQL 作为元数据库）

• Sqoop 安装配置（超详细）

• Hudi 0.12.0 搭建——集成 Hive3.1 与 Spark3.2

一、local 模式

不需要其他任何节点资源就可以在本地执行 Spark 代码的环境，一般用于简单演示与测试。

1.解压文件

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/

2.使用

解压完成后，我们就可以直接来使用 Spark 了。

# 切换到解压目录
cd /opt/module/spark-3.0.0-bin-hadoop3.2

# 进入 spark-shell
bin/spark-shell

简单使用：

3.local 模式提交

使用 local 模式提交任务，圆周率官方案例：

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[*] \
./examples/jars/spark-examples_2.12-3.0.0.jar \
3

1. --class 表示要执行程序入口主类；

2. --master local[*] 部署模式，默认为本地模式，中括号表示分配的虚拟 CPU 核数量；

3. 指定提交的 jar 包；

4. 数字 3 是用于设置当前应用的任务数量；

local 模式就是这么玩的，适合做本地测试，运行一些 jar 包等等。

二、Standalone 模式

Spark 自身节点运行的模式，也称为独立部署模式。

1.解压文件

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/

# 更改名称
cd /opt/module
mv /opt/module/spark-3.0.0-bin-hadoop3.2 spark-standalone

2.配置文件

进入解压后路径下的 conf 目录

cd /opt/module/spark-standalone/conf

配置 slaves.template 文件

# 先将模板文件复制
cp slaves.template slaves

# 编辑 slaves 文件
vi slaves

# 在其中添加当前工作的节点(更换为你自己的主机)：
master
slave1
slave2

配置 spark-env.sh.template 文件

# 先将模板文件复制
cp spark-env.sh.template spark-env.sh

# 编辑 spark-env.sh 文件
vi spark-env.sh

# 在其中添加 JDK 并指定主机与端口：
export JAVA_HOME=/opt/module/jdk1.8.0_212
SPARK_MASTER_HOST=master
SPARK_MASTER_PORT=7077

3.分发文件

将 standalone 的安装目录分发给其它的从机。

# 切换到 standalone 模式的安装目录
cd /opt/module

scp -r spark-standalone/ slave1:/opt/module/
scp -r spark-standalone/ slave2:/opt/module/

4.启动

# 切换到 standalone 模式的安装目录下
cd /opt/module/spark-standalone

# 启动
sbin/start-all.sh 

启动完成后，可以进入浏览器界面查看运行情况：http://192.168.10.10:8080/

5.standalone 模式提交

使用 standalone 模式提交任务，圆周率官方案例：

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://master:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
3

注意 --master 参数提交时指定的部署模式！

运行后，我们打开 web 界面 http://192.168.10.10:8080/，可以查看运行的状态：

到此为止，standalone 模式部署完成。

三、YARN 模式

YARN 模式建立在 standalone 模式之上，所以这里就不重复赘述了。请先部署好 standalone 模式，然后在其基础上来建立 YARN 模式。

1.配置环境变量

vi /etc/profile

#在末尾添加如下内容：
#SPARK_HOME
export SPARK_HOME=/opt/module/spark-yarn
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

#SPARK ON YARN
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HDFS_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

分发环境变量到各个主机中，并使其立即生效：source /etc/profile

2.修改 yarn 配置文件

cd $HADOOP_HOME/etc/hadoop

vi yarn-site.xml

#添加两个属性：
	<!-- 是否检查物理内存，默认为true -->
    <property>
        <name>yarn.nodemanager.pmem-check-enabled</name>
        <value>false</value>
    </property>
    
    <!-- 是否检查虚拟内存，默认为true -->
    <property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
    </property>

pmem 检查物理内存，容器使用的物理内存不能超过我们限定的内存大小，超出则默认 kill 掉。

vmem 检查虚拟内存，容器使用的虚拟内存不能超过我们设置的虚拟内存大小，超出则默认 kill 掉。

同步 yarn-site.xml 文件到各个主机中

rsync -r $HADOOP_HOME/etc/hadoop/yarn-site.xml slave1:$HADOOP_HOME/etc/hadoop/yarn-site.xml

rsync -r $HADOOP_HOME/etc/hadoop/yarn-site.xml slave2:$HADOOP_HOME/etc/hadoop/yarn-site.xml

3.启动集群

如果是在配置文件修改前启动的，需要先停止，然后重新启动！

# 启动 Hadoop 集群
# 主节点
start-dfs.sh
# resoucemanager 节点
start-yarn.sh

# 启动 Spark
$SPARK_HOME/sbin/start-all.sh

4.YARN 模式提交

使用 YARN 模式提交任务，圆周率官方案例：

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--num-executors 3 \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 1 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
3

我们可以通过访问 web 界面来查看以 YARN 提交应用的运行情况：http://192.168.10.11:8088/（域名为你的 ResourceManager 节点地址，端口不变）

5.YARN 提交参数

名称	说明
–num-executors	配置 Executor 的数量
–executor-memory	配置每个 Executor 的内存大小
–executor-cores	配置每个 Executor 的虚拟 CPU core 数量
–driver-memory	driver 的内存大小
–deploy-mode	指定 YARN 的运行模式，可选：[client / cluster ]，默认为 client

YARN 两种运行模式的区别：

client 模式（默认）：Driver 运行在 Client 上，应用程序运行结果会在客户端显示，所有适合运行结果有输出的应用程序（如：spark-shell）。

cluster模式：Driver 程序在 YARN 中运行，Driver 所在的机器是随机的，应用的运行结果不能在客户端显示只能通过 YARN 查看，所以最好运行那些将结果最终保存在外部存储介质（如：HDFS、Redis、MySQL）而非标准输出的应用程序，客户端的终端显示的仅是作为 YARN 任务的简单运行状况。

四、Spark on Hive

Spark on Hive 模式建立在 standalone 模式之上。

1.文件复制

复制 Hadoop 的 hdfs-site.xml 配置文件到 Spark 中的配置目录 conf 中

cp $HADOOP_HOME/etc/hadoop/hdfs-site.xml $SPARK_HOME/conf

复制 Hive 的 hive-site.xml 配置文件到 Spark 中的配置目录 conf 中

cp $HIVE_HOME/conf/hive-site.xml $SPARK_HOME/conf

2.驱动拷贝

将 MySQL 驱动拷贝到 Spark 中的 jars 目录下。

cp mysql-connector-java-5.1.37.jar $SPARK_HOME/jars

3.重启集群并验证

# 关闭 Hadoop
# 主节点
stop-dfs.sh
# resoucemanager 节点
stop-yarn.sh


# 启动 Hadoop
# 主节点
start-dfs.sh
# resoucemanager 节点
start-yarn.sh

# 启动 Hive 元数据服务
nohup hive --service metastore &

进入 spark-shell 验证 Spark on Hive 是否部署成功：

spark-shell

# 查询当前创建的所有库
spark.sql("show databases").show

可以看到，我们的 Spark on Hive 运行模式已经部署成功啦！