三、 Spark集群安装
3.1 下载spark安装包
下载地址spark官网：http://spark.apache.org/downloads.html
这里我们使用 spark-2.1.3-bin-hadoop2.7版本.
3.2 规划安装目录
/export/servers
3.3 解压安装包
tar -zxvf spark-2.1.3-bin-hadoop2.7.tgz
3.4 重命名目录
mv spark-2.1.3-bin-hadoop2.7 spark
3.5 修改配置文件
配置文件目录在 /export/servers/spark/conf
vi spark-env.sh 修改文件(先把spark-env.sh.template重命名为spark-env.sh)
|
#配置java环境变量 export JAVA_HOME=/opt/bigdata/jdk1.7.0_67 #指定spark老大Master的IP export SPARK_MASTER_HOST=node1 #指定spark老大Master的端口 export SPARK_MASTER_PORT=7077 |
vi slaves 修改文件(先把slaves.template重命名为slaves)
|
node2 node3 |
3.6 拷贝配置到其他主机
通过scp 命令将spark的安装目录拷贝到其他机器上
scp -r /export/servers/spark node2:/export/servers
scp -r /export/servers/spark node3:/export/servers
3.7 配置spark环境变量（3台服务器都要配置）
将spark添加到环境变量,添加以下内容到 /etc/profile
|
export SPARK_HOME=/export/servers/spark export PATH=$PATH:$SPARK_HOME/sbin:$SPARK_HOME/bin |
注意最后 source /etc/profile 刷新配置
3.8 启动spark
#在主节点上启动spark
|
/export/servers/spark/sbin/start-all.sh |
注意：hadoop中也有start-all.sh 、stop-all.sh 的命令，如果仅仅写start-all.sh，会优先执行hadoop的命令，为了避免和hadoop冲突，命令前要带上路径。
3.9 停止spark
#在主节点上停止spark集群
|
/export/servers/spark/sbin/stop-all.sh |
3.10 spark的web界面
正常启动spark集群后，可以通过访问 http://node1:8080,查看spark的web界面，查看相关信息。
namenode: hdfs://node1:8020-----------------> http://node1:50070
master: spark://node1:7077 --------------------> http://node1:8080
访问
master所在的主机名或者是ip地址:8080
-
可以看到spark集群的所有信息
spark集群总的资源信息（有多少core 有多少内存）
spark集群已经使用的资源信息
spark集群还剩的资源信息
spark集群对应的worker信息
spark集群正在运行的任务信息
spark集群已经完成的任务信息
在实际工作中我们会搭建一个非常多的服务器组成一个spark集群，每一台服务器都有对应的资源信息
10台worker，每一个worker的cpu核数20，内存大小100G
worker会参与任务的计算，整个spark集群所有的资源信息就是把所有的worker节点资源信息进行累加
spark集群总的资源信息：
内存： 10*100G=1T
cpu核数：10*20=200核
后期会把大量的spark任务提交到spark集群去运行，这个时候就需要考虑spark集群还剩的资源信息，以及后面可能还会跑其他的任务，他们也需要对应的资源。资源分配的时候要合理点。
四、 Spark HA高可用部署
4.1 高可用部署说明
Spark Standalone集群是Master-Slaves架构的集群模式，和大部分的Master-Slaves结构集群一样，存在着Master单点故障的问题。如何解决这个单点故障的问题，Spark提供了两种方案：
（1）基于文件系统的单点恢复(Single-Node Recovery with Local File System)。
主要用于开发或测试环境。当spark提供目录保存spark Application和worker的注册信息，并将他们的恢复状态写入该目录中，这时，一旦Master发生故障，就可以通过重新启动Master进程（sbin/start-master.sh），恢复已运行的spark Application和worker的注册信息。
（2）基于zookeeper的Standby Masters(Standby Masters with ZooKeeper)。
用于生产模式。其基本原理是通过zookeeper来选举一个Master，其他的Master处于Standby状态。将spark集群连接到同一个ZooKeeper实例并启动多个Master，利用zookeeper提供的选举和状态保存功能，可以使一个Master被选举成活着的master，而其他Master处于Standby状态。如果现任Master死去，另一个Master会通过选举产生，并恢复到旧的Master状态，然后恢复调度。整个恢复过程可能要1-2分钟。
4.2 基于zookeeper的Spark HA高可用集群部署
该HA方案使用起来很简单，首先需要搭建一个zookeeper集群，然后启动zooKeeper集群，最后在不同节点上启动Master。具体配置如下：
(1)vim spark-env.sh
注释掉export SPARK_MASTER_HOST=node1
(2)在spark-env.sh添加SPARK_DAEMON_JAVA_OPTS，内容如下：
|
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node1:2181,node2:2181,node3:2181 -Dspark.deploy.zookeeper.dir=/spark" |
参数说明
spark.deploy.recoveryMode：恢复模式（Master重新启动的模式）
有三种：(1)ZooKeeper (2) FileSystem (3)NONE
spark.deploy.zookeeper.url：ZooKeeper的Server地址
spark.deploy.zookeeper.dir：保存集群元数据信息的文件、目录。
包括Worker，Driver和Application。
注意：
在普通模式下启动spark集群，只需要在主机上面执行start-all.sh 就可以了。
在高可用模式下启动spark集群，先需要在任意一台节点上启动start-all.sh命令。然后在另外一台节点上单独启动master。命令start-master.sh。
补充说明：
|
（1）如何恢复到上一次活着master挂掉之前的状态： 在高可用模式下，整个spark集群就有很多个master，其中只有一个master被zk选举成活着的master，其他的多个master都处于standby，同时把整个spark集群的元数据信息通过zk中节点进行保存。 后期如果活着的master挂掉。首先zk会感知到活着的master挂掉，下面开始在多个处于standby中的master进行选举，再次产生一个活着的master，这个活着的master会读取保存在zk节点中的spark集群元数据信息，恢复到上一次master的状态。整个过程在恢复的时候经历过了很多个不同的阶段，每个阶段都需要一定时间，最终恢复到上个活着的master的转态，整个恢复过程一般需要1-2分钟。 （2）在master的恢复阶段对任务的影响 针对于正在运行的任务，由于它已经分配到了资源，它是不受任何影响. 受影响的就是在当前这个挂掉的阶段，后面提交的新的任务，由于没有活着的master分配资源，该任务是无法运行。 （3）在任意一台机器来执行start-all.sh脚本的前提条件：需要实现任意2台机器之间ssh免密登录。 |