spark actor模型 spark模式

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

1. 集群规划:
2. 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/

3. 修改spark文件夹名为spark-standalone

mv spark-2.4.0-bin-hadoop2.7/ spark-standalone

4. 修改配置文件
5. 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

2. 修改 slaves 文件，添加 work 节点

hadoop102
hadoop103
hadoop104

3. 修改 spark-env.sh.template 文件名为 spark-env.sh

mv spark-env.sh.template spark-env.sh

4. 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

1. –class 表示要执行程序的主类
2. –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
3. 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。

1. 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf

mv spark-defaults.conf.template spark-defaults.conf

2. 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

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) 分发配置文件

xsync conf

5. 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"

4. 分发配置文件

xsync conf/

5）启动hadoop

cd /opt/module/hadoop-2.7.2/sbin
start-dfs.sh

6. 进入spark目录启动集群

sbin/start-all.sh

7）验证

http://192.168.152.102:8989/

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

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）。

1. 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

2. 修改配置文件
3. 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>

2. 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/

3. 启动 HDFS 以及 YARN 集群
   在hadoop103上进入hadoop目录，执行

sbin/start-yarn.sh

4. 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

1. 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf

mv spark-defaults.conf.template spark-defaults.conf

2. 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

1. 将spark-2.4.0-bin-hadoop2.7解压到本地文件夹
2. 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

4. 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