Spark on Yarn集群高可用搭建

软件环境:

linux系统: CentOS6.7
Hadoop版本: 2.6.5
zookeeper版本: 3.4.8

主机配置:

一共m1, m2, m3这五部机, 每部主机的用户名都为centos

192.168.179.201: m1 
192.168.179.202: m2 
192.168.179.203: m3 

m1: Zookeeper, Namenode, DataNode, ResourceManager, NodeManager, Master m2: Zookeeper, Namenode, DataNode, ResourceManager, NodeManager, Worker m3: Zookeeper, DataNode, NodeManager, Worker

一.编译Spark源码

参考资料:

spark源码编译教程
    http://blog.csdn.net/yanran1991326/article/details/46506595

1.安装Maven: (Linux下,若使用Spark自带的编译器可跳过此步)

Maven教程:
    http://wiki.jikexueyuan.com/project/maven/

1.1. 下载Maven安装包

1.2. 解压Maven到指定位置

1.3. 编辑/etc/profile文件

export M2_HOME=/home/centos/soft/maven
PATH=$PATH:$M2_HOME/bin

1.4. 刷新一下/etc/profile文件

source /etc/profile

1.5. 检验是否安装成功,输入以下指令

mvn -v

1.6. 设置maven内存大小

(1)Linux下:
配置环境变量,编辑/etc/profile文件

export MAVEN_OPTS=-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m

(2)Windows下:
配置环境变量:
新建变量:MAVEN_OPTS, 并将变量MAVEN_OPTS的值设置成:
-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m

2.编译spark源码:

spark源码下载官方地址:
    http://spark.apache.org/downloads.html
spark源码编译官方指南:
    http://spark.apache.org/docs/1.5.0/building-spark.html
spark源码编译教程:
    http://blog.csdn.net/yanran1991326/article/details/46506595

2.1.下载spark源码

2.2.使用spark源码编译: (推荐使用第一种方案, 因为第二种方案亲测编译成功后各种缺包)

2.2.1.方案一:使用maven编译: Linux下 (推荐使用这种方法)

(1)编译指令:
如果想生成一个用scala2.1.2编译的spark 部署包，则要先执行change-scala-version.sh文件: ./dev/change-scala-version.sh 2.10(若要指定scala的编译版本时, 必须先执行该指令)

mvn -Phadoop-2.6 -Pyarn -Dhadoop.version=2.6.5 -Dyarn.version=2.6.5 -Dscala-2.10 -DskipTests clean package

指令参数使用介绍:

–Phadoop-$系列：                    打包时所用的Hadoop系列号，不加此参数时hadoop为pom.xml的默认系列。 
-Dhadoop.version=$版本号: 打包时所用的Hadoop版本号，不加此参数时不可从HDFS上读取数据。 –Pyarn:                           是否支持Hadoop YARN，不加参数时为不支持yarn。 
-Dyarn.version=$版本号: 是否支持Hadoop YARN，不加参数时为不支持yarn调度。 –Phive:                              是否在Spark SQL中支持hive，不加此参数时为不支持hive。(若要使用Hive on Spark功能时, 不能添加次参数)
-Dscala-$版本号: 打包时所用的Scala系列号，不加此参数时Scala版本为pom.xml的默认版本, 在使用此函数之前必须先执行./dev/change-scala-version.sh 2.10指令,否则无效 -DskipTests: 是否在编译的过程中略过测试，加此参数时为略过。 

(2)编译成功:
编译成功后的Spark引用包的存放位置:

$Spark源码目录/assembly/target/scala-2.10/spark-assembly-1.6.3-hadoop2.6.5.jar

该包的只是一个引用包, 应把tgz解压安装的$SPARK_HOME/lib目录下的assembly删除, 然后将该包放入到$SPARK_HOME/lib目录下

2.2.2.方案二:使用spark源码包中自带的make-distribution编译工具

(1)编译指令:
先编译Spark源码(若需要用到parquet功能,则带上parquet-provided参数)
Spark2.0版本之前(hadoop版本可随实际情况修改)

./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.4,parquet-provided"

Spark2.0版本之后(hadoop版本可随实际情况修改)

./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided"

(2)编译成功
编译成功后的Spark安装包的存放位置:

$Spark源码目录/spark-1.6.0-bin-hadoop2-without-hive-src.tgz

该包是一个安装包, 用tar解压出安装即可, 不推荐使用

二.搭建Spark集群

0.安装准备

1.下载Scala

http://www.scala-lang.org/download/

2.下载Spark

http://spark.apache.org/downloads.html

1.集群规划(在m1上操作,然后在分发到其他主机)

Master  m1
Slaves  m1, m2, m3

2.解压Scala,Spark安装包

tar -zxvf scala-2.10.6/ -C /home/centos/soft/scala
tar -zxvf spark-1.6.0-bin-hadoop2.6/ -C /home/centos/soft/spark

3.配置环境变量

vi /etc/profile

## Spark
export SCALA_HOME=/home/centos/soft/scala
export SPARK_HOME=/home/centos/soft/spark
export CLASSPATH=$CLASSPATH:$SPARK_HOME/lib
export PATH=$PATH:$SCALA_HOME/bin:$SPARK_HOME/sbin:$SPARK_HOME/bin

source /etc/profile

4.拷贝hdfs-site.xml, yarn-site.xml, hive-site.xml文件拷贝到spark的配置目录下

cp /home/centos/soft/hadoop/etc/hadoop/hdfs-site.xml    /home/centos/soft/spark/conf
cp /home/centos/soft/hadoop/etc/hadoop/yarn-site.xml    /home/centos/soft/spark/conf
cp /home/centos/soft/hive/conf/hive-site.xml            /home/centos/soft/spark/conf

5.编辑$/SPARK_HOME/conf/spark-env.sh文件

Spark官方配置参考:
    https://spark.apache.org/docs/1.2.0/configuration.html
Hive On Spark配置参考:
    https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties#ConfigurationProperties-Spark

vi  $SPARK_HOME/conf/spark-env.sh

export JAVA_HOME=/home/centos/soft/jdk1.7.0_67
export HADOOP_HOME=/home/centos/soft/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SCALA_HOME=/home/centos/soft/scala
export SPARK_HOME=/home/centos/soft/spark
export SPARK_LOCAL_DIRS=$SPARK_HOME/tmp                 ## spark相关的临时文件
export SPARK_DIST_CLASSPATH=$(/home/centos/soft/hadoop/bin/hadoop classpath)
export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$HADOOP_HOME/lib:$SCALA_HOME/lib:$SPARK_HOME/lib
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$SCALA_HOME/bin:$SPARK_HOME/bin:$SPARK_HOME/sbin

export SPARK_MASTER_IP=m1
export SPARK_MASTER_PORT=7077
export SPARK_MASTER_WEBUI_PORT=8080
export SPARK_WORKER_CORES=3                                     ## 允许Spark应用程序在每台机器上使用的内核总数
export SPARK_WORKER_MEMORY=512m                                 ## 允许Spark应用程序在每台机器上使用的总内存量，例如1000m，2g（默认值：总内存为1 GB）;请注意，每个应用程序的单独内存都使用其spark.executor.memory属性配置
export SPARK_WORKER_INSTANCES=1                                 ## 在每台计算机上运行的工作程序实例数（默认值：1）。如果你有非常大的机器，并且想要多个Spark工作进程，你可以使它超过1。如果你这样设置，确保显式地设置SPARK_WORKER_CORES以限制每个工人的核心，否则每个工人将尝试使用所有核心。
export SPARK_DAEMON_MEMORY=512m                                 ## 要分配给Spark主服务器和工作程序守护程序本身的内存（默认值：512m）。
export SPARK_EXECUTOR_CORES=1                                   ## 每个Executor使用的CPU核数,每个Exector使用的总核心spark.max.cores在spark-default.conf中设置
export SPARK_EXECUTOR_MEMORY=512m                               ## 每个Executor使用多大的内存
export SPARK_DRIVER_MEMORY=512m
export SPARK_YARN_AM_CORES=1
export SPARK_YARN_AM_MEMORY=512m
export SPARK_YARN_AM_WAITTIME=200ms
export SPARK_YARN_APP_NAME=Spark_On_Yarn
export SPARK_YARN_EXECUTOR_MEMORYOVERHEAD=75
export SPARK_TESTING_MEMORY=536870912

export SPARK_WORKER_DIR=$SPARK_HOME/logs/workerDir
export SPARK_LOG_DIR=$SPARK_HOME/logs/logDir
export SPARK_PID_DIR=$SPARK_HOME/logs/pidDir

export HIVE_SERVER2_THRIFT_PORT=10000
export HIVE_SERVER2_THRIFT_BIND_HOST=0.0.0.0

6.编辑$SPARK_HOME/conf/spark-default.conf文件

vi   $SPARK_HOME/conf/spark-default.conf

spark.master                          spark://master:7077
spark.shuffle.service.port            7337   
spark.eventLog.enabled                true
spark.eventLog.compress               true
spark.eventlog.dir                    /home/centos/soft/spark/logs/spark.log
spark.serializer                      org.apache.spark.serializer.KryoSerializer
spark.driver.memory                   5g
spark.executor.extraJavaOptions      -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

spark.sql.parquet.binaryAsString              true
spark.sql.parquet.mergeSchema                 true
spark.sql.parquet.cacheMetadata               false
spark.sql.hive.convertMetastoreParquet        false

spark.dynamicAllocation.enabled                                 true    # 开启动态资源分配
spark.dynamicAllocation.minExecutors                            1       # 每个Application最小分配的executor数
spark.dynamicAllocation.maxExecutors                            30      # 每个Application最大并发分配的executor数
spark.dynamicAllocation.schedulerBacklogTimeout                 1s
spark.dynamicAllocation.sustainedSchedulerBacklogTimeout        5s

spark.scheduler.mode                    FAIR      # 调度模式
spark.executor.instances                1         # standalone模式下限制每个Executor最大核心数
spark.cores.max                         3         # Yarn模式下限制每个Executor最大核心数

7.实现Spark动态分配资源功能

1. 将$SPARK_HOME/conf/spark-default.conf配置文件中将spark.dynamicAllocation.enabled配置项改为true
2. 将$SPARK_HOME/lib/spark-1.6.0-yarn-shuffle.jar拷贝到每台NodeManager节点的${HADOOP_HOME}/share/hadoop/yarn/lib/下

8.编辑$SPARK_HOME/conf/slaves文件

m1
m2
m3

9.将安装文件分发到其他主机上

scp -r   /home/centos/soft/scala   m1:/home/centos/soft/
scp -r   /home/centos/soft/scala   m2:/home/centos/soft/
scp -r   /home/centos/soft/scala   m3:/home/centos/soft/

10.启动spark集群(注意: 启动spark集群之前,需先启动YARN)

(1)在m1, m2上分别启动YARN集群

start-yarn.sh

(2)在WebUI上查看启动情况

m1:8088

(3)在m1主机上启动主从节点:

start-master.sh      ## 启动主节点: 
start-slaves.sh      ## 启动从节点: 

(4)在WebUI上查看启动情况

m1:8080

11.测试实例

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 1g --executor-memory 1g --executor-cores 1 --queue thequeue lib/spark-assembly-1.6.0-hadoop2.6.0.jar 10