Spark集群的三种模式

2023-09-27 20:50:16

文章目录

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集群的三种模式

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。

Spark集群的三种模式

2、Spark内置模块

Spark集群的三种模式

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

Spark集群的三种模式

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

    <!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
     <name>yarn.nodemanager.pmem-check-enabled</name>
     <value>false</value>
</property>

<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
     <name>yarn.nodemanager.vmem-check-enabled</name>
     <value>false</value>
</property>

    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.spark</groupId>
        <artifactId>spark-core_2.12</artifactId>
        <version>3.0.0</version>
    </dependency>
</dependencies>

<build>
	<finalName>WordCount</finalName>
    <plugins>
        <plugin>
            <groupId>net.alchim31.maven</groupId>
            <artifactId>scala-maven-plugin</artifactId>
            <version>3.4.6</version>
            <executions>
                <execution>
                   <goals>
                      <goal>compile</goal>
                      <goal>testCompile</goal>
                   </goals>
                </execution>
             </executions>
        </plugin>
        
        
        <plugin>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-assembly-plugin</artifactId>
    <version>3.0.0</version>
    <configuration>
        <descriptorRefs>
            <descriptorRef>jar-with-dependencies</descriptorRef>
        </descriptorRefs>
    </configuration>
    <executions>
        <execution>
            <id>make-assembly</id>
            <phase>package</phase>
            <goals>
                <goal>single</goal>
            </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
上一篇：org.apache.ibatis.binding.BindingException: Invalid bound statement (not found)问题【后记】


下一篇：org.springframework.util.CollectionUtils