Spark on yarn执行流程源代码分析
目前的分析主要基于spark0.9.0的cdh5的版本进行分析，
源代码下载地址：https://github.com/cloudera/spark.git
下载方式：git clone url ./spark
进入spark目录，执行git checkout cdh5-0.9.0_5.0.0
源代码编译
使用sbt编译spark
运行sbt命令需要使用http代理，不然连接不上网络，进入sbt/目录，使用vim sbt修改里面的内容，
在最下面java 命令的第二行添加 -Dhttp.proxyHost=myserver -Dhttp.proxyPort=port \
运行如下命令编译spark
SPARK_HADOOP_VERSION=2.3.0-cdh5.0.0 SPARK_YARN=true sbt/sbt assembly
SPARK_HADOOP_VERSION后是hadoop的版本号，
SPARK_HADOOP_VERSION=2.2.0 sbt/sbt assembly
In addition, if you wish to run Spark on YARN, set SPARK_YARN to true:
SPARK_HADOOP_VERSION=2.0.5-alpha SPARK_YARN=true sbt/sbt assembly
http连接代理设置：
编辑spark_home/sbt/sbt文件，在文件最后的如下脚本部分：
printf "Launching sbt from ${JAR}\n"
java \
-Xmx1200m -XX:MaxPermSize=350m -XX:ReservedCodeCacheSize=256m \
-jar ${JAR} \
"$@"
修改为
printf "Launching sbt from ${JAR}\n"
java \
-Dhttp.proxyHost=myserver -Dhttp.proxyPort=port \
-Xmx1200m -XX:MaxPermSize=350m -XX:ReservedCodeCacheSize=256m \
-jar ${JAR} \
"$@"
通过如下命令通过sbt对spark进行编译
SPARK_HADOOP_VERSION=2.3.0-cdh5.0.0 SPARK_YARN=true sbt/sbt assembly
sbt命令请参考http://www.scala-sbt.org/release/docs/Getting-Started/Running.html#common-commands
生成tar包
在spark_home的根目录下，执行如下命令，编译spark的分布式部署tar.gz包
修改make-distribution.sh文件，
在如下命令后
Make directories
rm -rf "$DISTDIR"
mkdir -p "$DISTDIR/jars"
echo "Spark $VERSION built for Hadoop $SPARK_HADOOP_VERSION" > "$DISTDIR/RELEASE"
# Copy jars
cp $FWDIR/assembly/target/scala*/*assembly*hadoop*.jar "$DISTDIR/jars/"
添加此信息，把examples添加到tar.gz包中(测试过程可以执行此操作,把示例的代码一起打包起来)。
# Make directories
mkdir -p "$DISTDIR/examples"
# Copy jars
cp $FWDIR/examples/target/scala*/*examples*assembly*.jar "$DISTDIR/examples/"
./make-distribution.sh --hadoop 2.3.0-cdh5.0.0 --with-yarn --tgz
命令执行完成后，在spark_home下会生成一个tar.gz包，spark-0.9.0-hadoop_2.3.0-cdh5.0.0-bin.tar.gz
通过Yarn运行spark示例程序
通过export命令设置yarn的conf环境变量，如果没有配置全局的yarn conf环境变量
export YARN_CONF_DIR=/home/hadoop/test.spark.yang/hadoop-2.0.0-cdh4.3.0/etc/hadoop
export SPARK_JAR=<spark_home>/jars/spark-assembly-0.9.0-incubating-hadoop2.0.0-cdh4.3.0.jar
export YARN_CONF_DIR=/home/hadoop/test.spark.yang/hadoop-2.0.0-cdh4.3.0/etc/hadoop
export HADOOP_CONF_DIR=/home/hadoop/test.spark.yang/hadoop-2.0.0-cdh4.3.0/etc/hadoop
SPARK_JAR=/home/hadoop/test.spark.yang/spark-0.9.0-incubating/jars/spark-assembly-0.9.0-incubating-hadoop2.0.0-cdh4.3.0.jar
./bin/spark-class org.apache.spark.deploy.yarn.Client \
--jar ./examples/spark-examples-assembly-0.9.0-incubating.jar \
--class org.apache.spark.examples.SparkTC \
--args yarn-standalone \
--num-workers 3 \
--worker-cores 1 \
--master-memory 512M \
--worker-memory 1g
通过java程序执行spark on yarn的启动
1.编写一个java应用程序,把core-site/hdfs-site/yarn-site的配置文件添加到工程中。
2.把spark的jar添加到工程中，作用于当前工程的class引用,
3.在工程中设置环境变量SPARK_JAR,来引用spark jar的位置,
4.在工程中设置环境变量SPARK_LOG4J_CONF,来引用spark log4j的位置
通过SPARK_YARN_USER_ENV配置其它用户定义的环境变量值。
通过SPARK_USE_CONC_INCR_GC配置是否使用默认的GC配置。,true/false
通过SPARK_JAVA_OPTS配置spark执行时的相关JAVA_OPTS.
通过JAVA_HOME配置java_home.
5.设置一些系统属性，共spark运行时的使用，当然这些个系统属性本身也有默认的值
a.属性名称QUEUE，默认值default。作用于am启动的队列名称,也可以在client调用进传入
b.属性名称spark.yarn.report.interval，默认值1000。app运行监控的间隔时间ms。
c.属性名称spark.yarn.submit.file.replication，默认值3。上传给yarn上运行的资源的复制份数，包括sparkjar,appjar
d.属性名称spark.yarn.max.worker.failures，默认值3或numworker传入参数的值*2取最大值。
作用于app失败的重试次数,如果重试次数超过了指定的值，表示app运行失败。
e.属性名称spark.yarn.applicationMaster.waitTries，默认值10。等待SparkContext初始化完成的等待次数，
每次的等待时，让ApplicationMaster.sparkContextRef.wait=10000ms
f.属性名称spark.yarn.scheduler.heartbeat.interval-ms，默认值5000，
通过此配置向RM设置am向其报告的时间间隔。