Spark集群的三种模式

1、Spark的由来

• 定义：Hadoop主要解决，海量数据的存储和海量数据的分析计算。Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。

1.1 Hadoop的发展

• Hadoop1.x存在的问题：
  • NameNode不能高可用
  • MR框架中资源调度和任务调度耦合
  • MR基于磁盘计算，效率低
• Hadoop2.x对应的解决了以上几个问题
  • NameNode高可用
  • 将资源调度和任务调度解耦
  • 计算框架可插拔

Spark框架诞生早于Yarn，所以Spark自己设计了一套资源调度框架。

1.2 MapReduce与Spark对比

MR不适合迭代计算

Spark支持迭代计算和图形计算：因为Spark中间结果不落盘。但是Shuffle也得落盘。

2、Spark内置模块

Spark Core：实现了Spark的基本功能，包含任务调度、内存管理、错误恢复、与存储系统交互等模块。

Spark SQL：是Spark用来操作结构化数据的程序包。通过Spark SQL，我们可以使用 SQL或者Apache Hive版本的HQL来查询数据。Spark SQL支持多种数据源，比如Hive表、Parquet以及JSON等。

Spark Streaming：是Spark提供的对实时数据进行流式计算的组件。提供了用来操作数据流的API，并且与Spark Core中的 RDD API高度对应。

Spark MLlib：提供常见的机器学习功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。

Spark GraphX：主要用于图形并行计算和图挖掘系统的组件。

集群管理器：Spark设计为可以高效地在一个计算节点到数千个计算节点之间伸缩计算。为了实现这样的要求，同时获得最大灵活性，Spark支持在各种集群管理器（Cluster Manager）上运行，包括Hadoop YARN、Apache Mesos，以及Spark自带的一个简易调度器，叫作独立调度器。

3、Spark运行模式

• Local模式：本地调试

• Standalone模式：Spark自带的任务调度模式

• Yarn模式：使用Yarn进行资源调度和任务调度

3.1 Standalone模式部署

• 集群规划

	hadoop102	hadoop103	hadoop104
Spark	Master、Worker	Worker	Worker

具体步骤：

1. 解压安装包至指定目录

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

2. 修改配置文件

   slaves

   hadoop102
   hadoop103
   hadoop104
   

   spark-env.sh

   SPARK_MASTER_HOST=hadoop102
   SPARK_MASTER_PORT=7077
   

3. 分发spark-standalone

   xsync spark-standalone/
   

4. 在hadoop102上启动集群

   sbin/start-all.sh
   

5. jps查看启动情况

6. 测试

   bin/spark-submit \
   --class org.apache.spark.examples.SparkPi \
   --master spark://hadoop102:7077 \
   ./examples/jars/spark-examples_2.12-3.0.0.jar \
   10
   

   参数含义

   参数	解释	可选值举例
   –class	Spark程序中包含主函数的类
   –master	Spark程序运行的模式	本地模式：local[*]、spark://hadoop102:7077、Yarn
   –executor-memory 1G	指定每个executor可用内存为1G	符合集群内存配置即可，具体情况具体分析。
   –total-executor-cores 2	指定所有executor使用的cpu核数为2个
   application-jar	打包好的应用jar，包含依赖。这个URL在集群中全局可见。 比如hdfs:// 共享存储系统，如果是file:// path，那么所有的节点的path都包含同样的jar
   application-arguments	传给main()方法的参数

配置历史服务器

1. 修改配置文件

   spark-defaults.conf

   spark.eventLog.enabled          true
   spark.eventLog.dir              hdfs://hadoop102:8020/directory
   

   spark-env.sh

   export SPARK_HISTORY_OPTS="
   -Dspark.history.ui.port=18080 
   -Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory 
   -Dspark.history.retainedApplications=30"
   

   # 参数1含义：WEBUI访问的端口号为18080

   # 参数2含义：指定历史服务器日志存储路径（读）

   # 参数3含义：指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

2. 重新分发修改的配置文件

   xsync spark-defaults.conf spark-env.sh
   

3. 重启spark及其历史服务器

   sbin/stop-history-server.sh
   sbin/stop-all.sh
   
   sbin/start-all.sh
   sbin/start-history-server.sh
   

4. 查看Spark历史服务器hadoop102:18080

配置高可用

1. 停止集群

2. 启动ZooKeeper

3. 修改配置文件

   spark-env.sh

   #注释掉如下内容：
   #SPARK_MASTER_HOST=hadoop102
   #SPARK_MASTER_PORT=7077
   
   #添加上如下内容。配置由Zookeeper管理Master，在Zookeeper节点中自动创建/spark目录，用于管理：
   export SPARK_DAEMON_JAVA_OPTS="
   -Dspark.deploy.recoveryMode=ZOOKEEPER 
   -Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 
   -Dspark.deploy.zookeeper.dir=/spark"
   
   #添加如下代码
   #Zookeeper3.5的AdminServer默认端口是8080，和Spark的WebUI冲突
   export SPARK_MASTER_WEBUI_PORT=8989
   

4. 重新分发修改后的文件

   xsync spark-env.sh
   

5. 重启集群

   sbin/start-all.sh
   sbin/start-history-server.sh
   

6. 在hadoop103上启动master

   sbin/start-master.sh
   

7. 通过hadoop103:8989访问测试

8. 通过jps查看进程状态

9. kill掉hadoop102的master进程测试

Spark HA集群访问

bin/spark-shell \
--master spark://hadoop102:7077,hadoop103:7077 \
--executor-memory 2g \
--total-executor-cores 2

参数：–master spark://hadoop102:7077指定要连接的集群的master

注：一旦配置了高可用以后，master后面要连接多个master

运行模式

根据Driver程序的运行位置分为如下两种模式

• standalone-client(默认模式)

  bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master spark://hadoop102:7077,hadoop103:7077 \
  --executor-memory 2G \
  --total-executor-cores 2 \
  --deploy-mode client \
  ./examples/jars/spark-examples_2.12-3.0.0.jar \
  10
  

• standalone-cluster

  bin/spark-submit \
  --class org.apache.spark.examples.SparkPi \
  --master spark://hadoop102:7077,hadoop103:7077 \
  --executor-memory 2G \
  --total-executor-cores 2 \
  --deploy-mode cluster \
  ./examples/jars/spark-examples_2.12-3.0.0.jar \
  10
  

客户端模式的计算结果将打印在本地，集群模式只能在web页面中找到

3.2 Yarn模式安装部署

1. 解压安装包到指定位置

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

2. 修改配置文件

   修改hadoop中的yarn-site.xml，分发并重启hadoop集群

   
   
        yarn.nodemanager.pmem-check-enabled
        false
   
   
   
   
        yarn.nodemanager.vmem-check-enabled
        false
   
   

   spark-env.sh

   # 修改/opt/module/spark-yarn/conf/spark-env.sh，添加YARN_CONF_DIR配置，保证后续运行任务的路径都变成集群路径
   YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
   

3. 启动spark集群并测试

   sbin/start-history-server.sh
   sbin/start-all.sh
   
   bin/spark-submit \
   --class org.apache.spark.examples.SparkPi \
   --master yarn \
   ./examples/jars/spark-examples_2.12-3.0.0.jar \
   10
   

配置历史服务器

1. 修改配置文件

   spark-defaults.conf

   #写
   spark.eventLog.enabled          true
   spark.eventLog.dir              hdfs://hadoop102:8020/directory
   
   #读
   spark.yarn.historyServer.address=hadoop102:18080
   spark.history.ui.port=18080
   

   spark-env.sh

   export SPARK_HISTORY_OPTS="
   -Dspark.history.ui.port=18080 
   -Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory 
   -Dspark.history.retainedApplications=30"
   

   # 参数1含义：WEBUI访问的端口号为18080

   # 参数2含义：指定历史服务器日志存储路径（读）

   # 参数3含义：指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

2. 重新分发修改的配置文件

   xsync spark-defaults.conf spark-env.sh
   

3. 重启spark及其历史服务器

   sbin/stop-history-server.sh
   sbin/stop-all.sh
   
   sbin/start-all.sh
   sbin/start-history-server.sh
   

4. 提交任务到Yarn

   bin/spark-submit \
   --class org.apache.spark.examples.SparkPi \
   --master yarn \
   ./examples/jars/spark-examples_2.12-3.0.0.jar \
   10
   

5. Web页面查看日志：http://hadoop103:8088/cluster，点击history进入hadoop102:18080

运行模式

Spark有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。

yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出。

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

yarn-cluster：Driver程序运行在由ResourceManager启动的APPMaster，适用于生产环境。

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

如果在yarn日志端无法查看到具体的日志，则在yarn-site.xml中添加如下配置并启动Yarn历史服务器

4、WordCount案例

1. Maven依赖和scala打包插件

   <dependencies>
       <dependency>
           <groupId>org.apache.sparkgroupId>
           <artifactId>spark-core_2.12artifactId>
           <version>3.0.0version>
       dependency>
   dependencies>
   
   <build>
   	<finalName>WordCountfinalName>
       <plugins>
           <plugin>
               <groupId>net.alchim31.mavengroupId>
               <artifactId>scala-maven-pluginartifactId>
               <version>3.4.6version>
               <executions>
                   <execution>
                      <goals>
                         <goal>compilegoal>
                         <goal>testCompilegoal>
                      goals>
                   execution>
                executions>
           plugin>
           
           
           <plugin>
       <groupId>org.apache.maven.pluginsgroupId>
       <artifactId>maven-assembly-pluginartifactId>
       <version>3.0.0version>
       <configuration>
           <descriptorRefs>
               <descriptorRef>jar-with-dependenciesdescriptorRef>
           descriptorRefs>
       configuration>
       <executions>
           <execution>
               <id>make-assemblyid>
               <phase>packagephase>
               <goals>
                   <goal>singlegoal>
               goals>
           execution>
       executions>
   plugin>
       plugins>
   build>
   

2. 代码

   package com.atguigu.spark
   
   import org.apache.spark.rdd.RDD
   import org.apache.spark.{SparkConf, SparkContext}
   
   object WordCount {
   
       def main(args: Array[String]): Unit = {
   
           //1.创建SparkConf并设置App名称
           val conf = new SparkConf().setAppName("WC").setMaster("local[*]")
   
           //2.创建SparkContext，该对象是提交Spark App的入口
           val sc = new SparkContext(conf)
   
           //3.读取指定位置文件:hello atguigu atguigu
           val lineRdd: RDD[String] = sc.textFile("input")
   
           //4.读取的一行一行的数据分解成一个一个的单词（扁平化）(hello)(atguigu)(atguigu)
           val wordRdd: RDD[String] = lineRdd.flatMap(line => line.split(" "))
   
           //5. 将数据转换结构：(hello,1)(atguigu,1)(atguigu,1)
           val wordToOneRdd: RDD[(String, Int)] = wordRdd.map(word => (word, 1))
   
           //6.将转换结构后的数据进行聚合处理 atguigu:1、1 =》1+1  (atguigu,2)
           val wordToSumRdd: RDD[(String, Int)] = wordToOneRdd.reduceByKey((v1, v2) => v1 + v2)
   
           //7.将统计结果采集到控制台打印
           val wordToCountArray: Array[(String, Int)] = wordToSumRdd.collect()
           wordToCountArray.foreach(println)
   
           //一行搞定
           //sc.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).saveAsTextFile(args(1))
   
           //8.关闭连接
           sc.stop()
       }
   }
   

3. log4j.properties

   log4j.rootCategory=ERROR, console
   log4j.appender.console=org.apache.log4j.ConsoleAppender
   log4j.appender.console.target=System.err
   log4j.appender.console.layout=org.apache.log4j.PatternLayout
   log4j.appender.console.layout.ConversionPattern=%d{yy/MM/dd HH:mm:ss} %p %c{1}: %m%n
   
   # Set the default spark-shell log level to ERROR. When running the spark-shell, the
   # log level for this class is used to overwrite the root logger's log level, so that
   # the user can have different defaults for the shell and regular Spark apps.
   log4j.logger.org.apache.spark.repl.Main=ERROR
   
   # Settings to quiet third party logs that are too verbose
   log4j.logger.org.spark_project.jetty=ERROR
   log4j.logger.org.spark_project.jetty.util.component.AbstractLifeCycle=ERROR
   log4j.logger.org.apache.spark.repl.SparkIMain$exprTyper=ERROR
   log4j.logger.org.apache.spark.repl.SparkILoop$SparkILoopInterpreter=ERROR
   log4j.logger.org.apache.parquet=ERROR
   log4j.logger.parquet=ERROR
   
   # SPARK-9183: Settings to avoid annoying messages when looking up nonexistent UDFs in SparkSQL with Hive support
   log4j.logger.org.apache.hadoop.hive.metastore.RetryingHMSHandler=FATAL
   log4j.logger.org.apache.hadoop.hive.ql.exec.FunctionRegistry=ERROR