文章目录
- 启动命令
- 命令行工具
- 退出本地模式
- 虚拟机中执行打包程序
- 独立部署(Standalone)模式
- 提交应用程序
- 经典案例
- 提交参数说明
- 配置历史服务
- 配置高可用(HA)
- Yarn 模式
- 配置历史服务器
- Windows 模式
- 3. 命令行提交应用
- 部署模式对比
- 端口号
启动命令
bin/spark-shell
启动之后
ip地址:4040访问spark
命令行工具
在解压缩文件夹下的 data 目录中,添加 word.txt 文件。在命令行工具中执行如下代码指
令(和 IDEA 中代码简化版一致)
sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
退出本地模式
按键Ctrl+C或输入Scala指令
:quit
虚拟机中执行打包程序
进入spark的目录,执行以下代码
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.11-2.4.0.jar \
10
spark-examples_2.11-2.4.0.jar是spark自带的jar包
执行结果如下:
独立部署(Standalone)模式
- 集群规划:
- 将spark-2.4.0-bin-hadoop2.7文件上传到hadoop102的指定目录
tar -zxvf spark-2.4.0-bin-hadoop2.7.tgz -C /opt/module/
- 修改spark文件夹名为
spark-standalone
mv spark-2.4.0-bin-hadoop2.7/ spark-standalone
- 修改配置文件
- 进入解压缩后路径的 conf 目录,修改 slaves.template 文件名为 slaves
mv slaves.template slaves
- 修改 slaves 文件,添加 work 节点
hadoop102
hadoop103
hadoop104
- 修改 spark-env.sh.template 文件名为 spark-env.sh
mv spark-env.sh.template spark-env.sh
- 修改 spark-env.sh 文件,添加 JAVA_HOME 环境变量和集群对应的 master 节点
export JAVA_HOME=/opt/module/jdk1.8.0_144
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
注意:7077 端口,相当于 hadoop3 内部通信的 8020 端口,此处的端口需要确认自己的 Hadoop 配置
5) 分发 spark-standalone 目录
xsync spark-standalone/
6)集群启动
在 spark-standalone目录下执行:
sbin/start-all.sh
7)验证
查看 Master 资源监控 Web UI 界面: http://hadoop102:8080
提交应用程序
经典案例
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.11-2.4.0.jar \
10
- –class 表示要执行程序的主类
- –master spark://hadoop102:7077 独立部署模式,连接到 Spark 集群
3)spark-examples_2.11-2.4.0.jar 运行类所在的 jar 包 - 数字 10 表示程序的入口参数,用于设定当前应用的任务数量
提交参数说明
在提交应用中,一般会同时一些提交参数
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
配置历史服务
由于 spark-shell 停止掉后,集群监控 hadoop102:4040 页面就看不到历史任务的运行情况,所以
开发时都配置历史服务器记录任务运行情况。
- 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf
- 修改 spark-default.conf 文件,配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:9000/directory
注意:需要启动 hadoop 集群,HDFS 上的 directory 目录需要提前存在。
sbin/start-dfs.sh
hadoop fs -mkdir /directory
- 修改 spark-env.sh 文件, 添加日志配置
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:9000/directory
-Dspark.history.retainedApplications=30"
⚫参数 1 含义:WEB UI 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
⚫ 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。
4) 分发配置文件
xsync conf
- 重新启动集群和历史服务
进入spark-standalone目录执行:
sbin/start-all.sh
sbin/start-history-server.sh
6)通过网站查看历史服务
访问网站
http://192.168.152.102:18080/
配置高可用(HA)
所谓的高可用是因为当前集群中的 Master 节点只有一个,所以会存在单点故障问题。所以
为了解决单点故障问题,需要在集群中配置多个 Master 节点,一旦处于活动状态的 Master
发生故障时,由备用 Master 提供服务,保证作业可以继续执行。这里的高可用一般采用
Zookeeper 设置
集群规划
1)停止spark集群
sbin/stop-all.sh
2)启动Zookeeper
在hadoop103
上启动Zookeeper集群
cd /opt/module/zookeeper-3.4.10/
bin/zkServer.sh start
bin/zkServer.sh status
3)修改 spark-env.sh 文件添加如下配置
注释如下内容:
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
添加如下内容:
#Master 监控页面默认访问端口为 8080,但是可能会和 Zookeeper 冲突,所以改成 8989,也可以自定义,访问 UI 监控页面时请注意
SPARK_MASTER_WEBUI_PORT=8989
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104
-Dspark.deploy.zookeeper.dir=/spark"
- 分发配置文件
xsync conf/
5)启动hadoop
cd /opt/module/hadoop-2.7.2/sbin
start-dfs.sh
- 进入spark目录启动集群
sbin/start-all.sh
7)验证
http://192.168.152.102:8989/
8) 启动 hadoop103的单独 Master 节点,此时 hadoop103节点 Master 状态处于备用状态
cd /opt/module/spark-standalone/
sbin/start-master.sh
9)在hadoop103上提交应用到高可用集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
./examples/jars/spark-examples_2.11-2.4.0.jar \
10
- 停止 hadoop102的 Master 资源监控进程
此时的结果是hadoop102无法访问网站
http://192.168.152.102:8989/
http://192.168.152.102:8989/ hadoop103上位
Yarn 模式
独立部署(Standalone)模式由 Spark 自身提供计算资源,无需其他框架提供资源。这
种方式降低了和其他第三方资源框架的耦合性,独立性非常强。但是你也要记住,Spark 主
要是计算框架,而不是资源调度框架,所以本身提供的资源调度并不是它的强项,所以还是
和其他专业的资源调度框架集成会更靠谱一些。所以接下来我们来学习在强大的 Yarn 环境
下 Spark 是如何工作的(其实是因为在国内工作中,Yarn 使用的非常多)。
- 解压缩文件
tar -zxvf spark-2.4.0-bin-hadoop2.7.tgz -C /opt/module/
cd /opt/module/
mv spark-2.4.0-bin-hadoop2.7/ spark-yarn
- 修改配置文件
- 修改 hadoop 配置文件cd /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml, 并分发
cd /opt/module/hadoop-2.7.2/etc/hadoop/
vi yarn-site.xml
<!-- Site specific YARN configuration properties -->
<!-- Reducer获取数据的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hadoop103</value>
</property>
<!--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>
- 修改 conf/spark-env.sh,添加 JAVA_HOME 和 YARN_CONF_DIR 配置
cd conf/
mv spark-env.sh.template spark-env.sh
vi spark-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop/
- 启动 HDFS 以及 YARN 集群
在hadoop103上进入hadoop目录,执行
sbin/start-yarn.sh
- 执行以下代码
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.11-2.4.0.jar \
10
5. 查看 http://hadoop103:8088 页面,点击 History,查看历史页面
http://hadoop103:8088
配置历史服务器
- 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf
mv spark-defaults.conf.template spark-defaults.conf
- 修改 spark-default.conf 文件,配置日志存储路径
添加如下:
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:9000/directory
注意:需要启动 hadoop 集群,HDFS 上的目录需要提前存在。
3) 修改 spark-env.sh 文件, 添加日志配置
export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://hadoop102:9000/directory
-Dspark.history.retainedApplications=30"
⚫ 参数 1 含义:WEB UI 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
⚫ 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。
4) 修改 spark-defaults.conf
spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080
5)重新提交任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.4.0.jar \
10
6)查看
http://192.168.152.103:8088/cluster
Windows 模式
- 将spark-2.4.0-bin-hadoop2.7解压到本地文件夹
- 配置环境变量
SPARK_HOME
E:\spark\spark-2.4.0-bin-hadoop2.7
在PATH下添加
%SPARK_HOME%\bin
3. 启动spark
win+r–》cmd进入dos界面
然后输入spark-shell
- 案例1
在spark的安装目录输入cmd,进入spark-shell
在 bin 目录中创建 input 目录,并添加 word.txt 文件, 在命令行中输入脚本代码
输入以下代码
sc.textFile("input/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
3. 命令行提交应用
在DOS命令窗口执行提交命令
注意在spark的bin目录下执行
spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.11-2.4.0.jar 10
部署模式对比
端口号
➢ Spark 查看当前 Spark-shell 运行任务情况端口号:4040(计算)
➢ Spark Master 内部通信服务端口号:7077
➢ Standalone 模式下,Spark Master Web 端口号:8080(资源)
➢ Spark 历史服务器端口号:18080
➢ Hadoop YARN 任务运行情况查看端口号:8088