《PySpark大数据分析实战》-10.独立集群模式的代码运行

博主简介

• 作者简介：大家好，我是wux_labs。
  热衷于各种主流技术，热爱数据科学、机器学习、云计算、人工智能。
  通过了TiDB数据库专员（PCTA）、TiDB数据库专家（PCTP）、TiDB数据库认证SQL开发专家（PCSD）认证。
  通过了微软Azure开发人员、Azure数据工程师、Azure解决方案架构师专家认证。
  对大数据技术栈Hadoop、Hive、Spark、Kafka等有深入研究，对Databricks的使用有丰富的经验。
• 个人主页：wux_labs，如果您对我还算满意，请关注一下吧~
• 个人社区：数据科学社区，如果您是数据科学爱好者，一起来交流吧~
• 请支持我：欢迎大家 点赞+收藏⭐️+吐槽，您的支持是我持续创作的动力~

《PySpark大数据分析实战》-10.独立集群模式的代码运行

前言

大家好！今天为大家分享的是《PySpark大数据分析实战》第2章第3节的内容：独立集群模式的代码运行。

使用spark-submit提交代码

spark-submit可以在不指定选项和参数、仅指定Python代码路径的情况下正常运行，但是这种方式提交运行，Spark应用程序仅会在单机上运行，这与本地模式一致。这种方式没有充分利用集群的资源，并且在集群的Spark Master Web UI上也无法查看提交运行的Spark应用程序。要充分利用集群资源并在Spark Master Web UI上看到提交的Spark应用程序，需要为spark-submit指定必要的选项，其中最重要的一个选项是master。未指定该选项，则Spark默认以本地模式启动，本地模式也是可以指定master选项的，可选的master值包括local、local[n]、local[*]。在独立集群模式下，需要将master的值指定为Spark Master Web UI中看到的值spark://node1:7077。在YARN模式下，需要将master的值指定为yarn。master选项的一些可选值列表见表。

master选项值	描述
local	本地模式运行，所有计算都在一个线程中，无法并行计算
local[n]	本地模式运行，指定使用n个线程来模拟n个worker，通常将n指定为CPU的核数，以最大化利用CPU的能力
local[*]	本地运行模式，直接使用CPU的最多核数来设置线程数
spark://node1:7077	独立集群模式，指定为独立集群的master地址
yarn	Spark on YARN模式，master固定值为yarn，可区分cluster模式和client模式

由于spark-submit所在的路径$SPARK_HOME/bin/已经添加到环境变量$PATH里面，所以可以直接执行命令，指定master选项后提交Spark应用程序，命令如下：

$ spark-submit --master spark://node1:7077 /home/hadoop/WordCount.py

除了master选项，spark-submit还支持其他一些选项：

• –deploy-mode，用于决定Spark应用程序的Driver在哪里启动，使用client指定Driver在本地启动，使用cluster指定在集群中的一台服务器上启动Driver。默认值是client。
• –name，指定Spark应用程序的名称。
• –files，使用逗号分隔的文件列表，用于向集群提交文件，可以传递用于应用程序中使用的参数等。
• –conf，通过命令行动态地更改应用程序的配置。
• –driver-memory，指定为应用程序的Driver分配的内存大小。
• –executor-memory，指定为应用程序的每个Executor分配的内存大小。

Spark应用程序在运行的过程中，会遇到报错的情况，这是由于words.txt文件是存放在本地文件系统的而不是HDFS上，Spark应用程序在执行的时候会去本地系统读取文件，而words.txt仅存在于node1上，在node2和node3上并不存在，所以node2和node3上分配到的executor在进行文件读取的时候就会报错。而文件上传到HDFS则不会有这个问题。错误信息如下：

...
(10.0.0.7 executor 2): java.io.FileNotFoundException: File file:/home/hadoop/words.txt does not exist
...
(10.0.0.6 executor 1): java.io.FileNotFoundException: File file:/home/hadoop/words.txt does not exist
...

将words.txt复制到所有服务器节点后再次运行Spark应用程序，程序就不会报错，可以正确运行并成功输出结果。复制文件到所有节点的命令如下：

$ scp words.txt node2:~/
$ scp words.txt node3:~/

程序运行完成后，在Spark Master Web UI可以看到应用程序的Job信息，两次运行的应用程序如图所示。

点击应用程序链接，可以看到应用程序运行情况如图所示。在该列表中点击stdout和stderr链接可以查看日志信息。

Spark History Server历史服务

Spark应用程序运行结束后，Spark Driver Web UI随着Driver程序的结束而被关闭，此时要看应用程序的执行情况及日志信息，可以通过Spark History Server进行查看，Spark History Server的默认服务端口是18080，通过浏览器访问node1的该端口打开Spark History Server界面，可以看到两次运行结束的应用程序，如图所示。

点击应用程序列表中的链接，会跳转到应用程序的执行情况界面，如图所示。历史应用程序执行情况界面，与Spark Driver Web UI界面一致，功能也一样。

独立集群模式的代码运行流程

使用spark-submit提交Spark应用程序到独立集群进行运行，应用程序的执行流程如图所示。

：在Spark集群启动后，不管集群中是否有提交Spark应用程序运行，Worker节点都会向Master节点汇报自己的资源情况，例如空闲CPU、空闲内存等。

1：客户端通过spark-submit提交应用程序运行，首先会执行程序中的main()函数，在客户端启动Driver进程。

2：Driver进程启动后，会实例化SparkContext，SparkContext会向集群的Master注册并申请资源。

3：Master会根据Worker的资源情况，分配满足条件的Worker节点，Worker节点上会启动Executor。

4：Executor启动后，会反向注册到Driver。

5：Executor反向注册完成后，Driver将应用程序代码进行解析，并由Task Scheduler将Task分配到Worker节点并最终由Executor进行执行。

6：Executor执行Task任务，并向SparkContext汇报状态，直到Task执行完成。

7：当所有的Task都执行完成，SparkContext会请求Master进行注销，整个应用程序运行完成。

结束语

好了，感谢大家的关注，今天就分享到这里了，更多详细内容，请阅读原书或持续关注专栏。