Spark集群搭建

Spark集群结构

1. 图

2. 名词解释

   1. Driver
      1. 该进程调用 Spark 程序的 main 方法，并且启动 SparkContext
   2. Cluster Manager
      1. 该进程负责和外部集群工具打交道，申请或释放集群资源
   3. Worker
      1. 该进程是一个守护进程，负责启动和管理 Executor
   4. Executor
      1. 该进程是一个 JVM 虚拟机，负责运行 Spark Task

3. 运行一个Spark程序大致经历如下几个步骤

   1. 启动 Driver, 创建SparkContext
   2. Client 提交程序给Driver, Driver 向 Cluster Manager 申请集群资源
   3. 资源申请完毕，在 Worker 中启动 Executor
   4. Driver 将程序转化为 Tasks ,分发给 Executor 执行

4. 问题

   1. 问题一：Spark 程序可以运行在什么地方？

      1. Spark 可以将任务运行在两种模式下：
         1. 单机，使用线程模拟并行来运行程序
         2. 集群，使用集群管理器来和不同类型的集群交互，将任务运行在集群中
      2. Spark 可以使用的集群管理工具有：
         1. Spark Standalone
         2. Hadoop Yarn
         3. Apache Mesos
         4. Kubernetes

   2. 问题二：Driver 和 Worker 什么时候被启动？

      1. Standalone 集群

         1. Standalone 集群中，分为两个角色：Master 和 Slave,而 Slave 就是Worker ,所以在 Standalone 集群中，启动之初就会创建固定数量的 Worker

         2. Driver 的启动分为两种模式：Client 和Cluster。在 Client 模式下，Driver 运行在 Client 端，在 Client 启动的时候被启动。在 Cluster 模式下，Driver 运行在某个 Worker 中，随着应用的提交而启动

            Spark Standalone图

      2. yarn 集群

         1. 在 Yarn 集群模式下, 也依然分为 Client 模式和 Cluster 模式, 较新的版本中已经逐渐在废弃 Client 模式了, 所以上图所示为 Cluster 模式

         2. 如果要在 Yarn 中运行 Spark 程序, 首先会和 RM 交互, 开启 ApplicationMaster, 其中运行了 Driver, Driver创建基础环境后, 会由 RM 提供对应的容器, 运行 Executor, Executor会反向向 Driver 反向注册自己, 并申请 Tasks 执行

         3. 在后续的 Spark 任务调度部分, 会更详细介绍

         4. yarn图

   3. 总结

      1. Master 负责总控, 调度, 管理和协调 Worker, 保留资源状况等
      2. Slave 对应 Worker 节点, 用于启动 Executor 执行 Tasks, 定期向 Master汇报
      3. Driver 运行在 Client 或者 Slave(Worker) 中, 默认运行在 Slave(Worker) 中

Spark集群搭建

1. 下载Spark安装包

   1. https://archive.apache.org/dist/spark/spark-2.2.1/

2. 上传并解压改名

   cd soft
   rz
   tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /root
    mv /root/spark-2.1.1-bin-hadoop2.7 /root/spark
   

3. 配置

   1. 修改 spark-env.sh

      1. 进入配置目录, 并复制一份新的配置文件, 以供在此基础之上进行修改

         cd /root/spark/conf
         cp spark-env.sh.template spark-env.sh
         vi spark-env.sh
         
         # 将以下内容复制进配置文件末尾
         # 指定 Java Home
         export JAVA_HOME=/root/jdk
         
         # 指定 Spark Master 地址
         export SPARK_MASTER_HOST=master
         export SPARK_MASTER_PORT=7077
         

   2. 修改配置文件 slaves, 以指定从节点为止, 从在使用 sbin/start-all.sh 启动集群的时候, 可以一键启动整个集群所有的 Worker

      1. 进入配置目录, 并复制一份新的配置文件, 以供在此基础之上进行修改

         cd /root/spark/conf
         cp slaves.template slaves
         vi slaves
         
         # 配置所有节点的地址
         master
         slave1 
         slave2
         

   3. 配置 HistoryServer

      1. 默认情况下, Spark 程序运行完毕后, 就无法再查看运行记录的 Web UI 了, 通过 HistoryServer 可以提供一个服务, 通过读取日志文件, 使得我们可以在程序运行结束后, 依然能够查看运行过程

      2. 复制 spark-defaults.conf, 以供修改

         cd /root/spark/conf
         cp spark-defaults.conf.template spark-defaults.conf
         vi spark-defaults.conf
         

      3. 将以下内容复制到spark-defaults.conf末尾处, 通过这段配置, 可以指定 Spark 将日志输入到 HDFS 中

         spark.eventLog.enabled  true
         spark.eventLog.dir      hdfs://master:9000/spark_log
         spark.eventLog.compress true
         
         # (注意：spark.eventLog.dir与Dspark.history.fs.logDirectory的NameNode地址要与$HADOOP_HOME/etc/hadoop下的core-site中的namenode地址相同)
         

      4. 将以下内容复制到spark-env.sh的末尾, 配置 HistoryServer 启动参数, 使得 HistoryServer 在启动的时候读取 HDFS 中写入的 Spark 日志

         # 指定 Spark History 运行参数
         export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=4000 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://master:9000/spark_log"
         

      5. 为 Spark 创建 HDFS 中的日志目录

         hdfs dfs -mkdir -p /spark_log
         

4. 分发和运行

   1. 将 Spark 安装包分发给集群中其它机器

      cd /root/
      scp -r spark root@slave1:/root/
      scp -r spark root@slave2:/root/
      

   2. 启动 Spark Master 和 Slaves, 以及 HistoryServer

      cd /root/spark
      sbin/start-all.sh
      sbin/start-history-server.sh
      

5. 以上是spark standalone 集群搭建

Spark 集群高可用搭建

1. 目标

   1. 简要了解如何使用 Zookeeper 帮助 Spark Standalone 高可用
      1. 对于 Spark Standalone 集群来说, 当 Worker 调度出现问题的时候, 会自动的弹性容错, 将出错的 Task 调度到其它 Worker 执行
      2. 但是对于 Master 来说, 是会出现单点失败的, 为了避免可能出现的单点失败问题, Spark 提供了两种方式满足高可用
         1. 使用 Zookeeper 实现 Masters 的主备切换
         2. 使用文件系统做主备切换

2. 停止 Spark 集群

   cd /root/spark
   sbin/stop-all.sh
   

3. 修改配置文件, 增加 Spark 运行时参数, 从而指定 Zookeeper 的位置

   1. 进入spark-env.sh 所在目录, 打开 vi 编辑

      cd /root/spark/conf
      vi spark-env.sh
      

   2. 编辑 spark-env.sh, 添加 Spark 启动参数, 并注释SPARK_MASTER_HOST 地址

      # 指定 Java Home
      export JAVA_HOME=/root/jdk
      
      # 指定 Spark Master 地址
      # export SPARK_MASTER_HOST=master
      export SPARK_MASTER_PORT=7077
      
      # 指定 Spark History 运行参数
      export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=4000 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node01:9000/spark_log"
      
      # 指定 Spark 运行时参数
      export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=master:2181,slave1:2181,slave2:2181 -Dspark.deploy.zookeeper.dir=/spark"
      

4. 分发配置文件到整个集群

   cd /export/servers/spark/conf
   scp spark-env.sh slave1:/root/spark/conf
   scp spark-env.sh slave2:/root/spark/conf
   

5. 启动

   1. 在 master上启动整个集群

      cd /root/spark
      sbin/start-all.sh
      sbin/start-history-server.sh
      

   2. 在 slave1上单独再启动一个 Master

      cd /root/spark
      sbin/start-master.sh
      

6. 查看 master master 和 slave1 master 的 WebUI

   1. 你会发现一个是 ALIVE(主), 另外一个是 STANDBY(备)
   2. 如果关闭一个, 则另外一个成为ALIVE, 但是这个过程可能要持续两分钟左右, 需要耐心等待

运行案例测试集群

目标

1. 从示例应用运行中理解 Spark 应用的运行流程
   1. 流程

      1. 进入 Spark 安装目录中

         cd /root/spark/
         

      2. 运行 Spark 示例

         bin/spark-submit \\
         --class org.apache.spark.examples.SparkPi \\
         --master spark://master:7077 \\
         --executor-memory 1G \\
         --total-executor-cores 2 \\
         --/root/spark/examples/jars/spark-examples_2.11-2.1.1.jar \\ # 视jar包版本而定
         100 # 计算100次