linux怎么在spark中运行python spark在哪里运行

文章目录

• 1.spark简介

• 1.1spark核心模块
• 1.2与MapReduce的区别

• 2 spark核心模块

• 大数据框架体系
• spark组件

• 3 spark安装

• spark的运行模式(基于spark3.0)
• local模式

• 启动local环境
• 命令行工具
• 退出本地模式
• 提交引用，执行jar包

• Standalone 模式

• 解压缩文件
• 修改配置文件
• 启动集群
• 提交应用
• 配置历史服务

• Yarn 模式

• 解压缩
• 修改配置文件
• 启动 HDFS 以及 YARN 集群
• 提交应用
• 配置历史服务器

• 部署模式对比

1.spark简介

官网：http://spark.apache.org/

百科：https://baike.baidu.com/item/SPARK/2229312?fr=aladdin

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。

1.1spark核心模块

Ø Spark Core

Spark Core 中提供了 Spark 最基础与最核心的功能，Spark 其他的功能如：Spark SQL， Spark Streaming，GraphX, MLlib 都是在 Spark Core 的基础上进行扩展的

Ø Spark SQL

Spark SQL 是Spark 用来操作结构化数据的组件。通过 Spark SQL，用户可以使用 SQL

或者Apache Hive 版本的 SQL 方言（HQL）来查询数据。

Ø Spark Streaming

Spark Streaming 是 Spark 平台上针对实时数据进行流式计算的组件，提供了丰富的处理数据流的API。

Ø Spark MLlib

MLlib 是 Spark 提供的一个机器学习算法库。MLlib 不仅提供了模型评估、数据导入等额外的功能，还提供了一些更底层的机器学习原语。

Ø Spark GraphX

GraphX 是 Spark 面向图计算提供的框架与算法库。

1.2与MapReduce的区别

Spark 和Hadoop 的根本差异是多个作业之间的数据通信问题 : Spark 多个作业之间数据通信是基于内存，而 Hadoop 是基于磁盘。

spark运行在内存中，更加迅速

在绝大多数的数据计算场景中，Spark 确实会比 MapReduce 更有优势。但是Spark 是基于内存的，所以在实际的生产环境中，由于内存的限制，可能会由于内存资源不够导致 Job 执行失败，此时，MapReduce 其实是一个更好的选择，所以 Spark 并不能完全替代 MR。

2 spark核心模块

大数据框架体系

spark组件

3 spark安装

下载：http://spark.apache.org/downloads.html

选择自己的版本下载，选择对应的连接hadoop下载

spark的运行模式(基于spark3.0)

local模式

就是不需要其他任何节点资源就可以在本地执行 Spark 代码的环境，一般用于教学，调试，演示等， 在 IDEA 中运行代码的环境我们称之为开发环境，不太一样。

将 spark-2.0.0-bin-hadoop3.2.tgz 文件上传到Linux 并解压缩，放置在指定位置路径中

[root@master software]# tar -zxvf spark-3.0.0-bin-hadoop2.7.tgz -C /usr/local/src/
[root@master src]# mv spark-3.0.0-bin-hadoop2.7/ spark-local

启动local环境

1. 进入解压缩后的路径，执行如下指令

# bin/spark-shell

启动成功后，可以输入网址进行 Web UI 监控页面访问

http://虚拟机地址:4040

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  

word.txt:
hello word hadoop
spark spark hello
java java python
word hadoop spark

退出本地模式

按键Ctrl+C 或输入 Scala 指令

:quit

提交引用，执行jar包

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-3.0.0.jar \10

1. –class 表示要执行程序的主类，此处可以更换为咱们自己写的应用程序
2. –master local[2] 部署模式，默认为本地模式，数字表示分配的虚拟CPU 核数量
3. spark-examples_2.12-3.0.0.jar 运行的应用类所在的 jar 包，实际使用时，可以设定为咱们自己打的 jar 包
4. 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

Standalone 模式

local 本地模式毕竟只是用来进行练习演示的，真实工作中还是要将应用提交到对应的集群中去执行，这里我们来看看只使用 Spark 自身节点运行的集群模式，也就是我们所谓的独立部署（Standalone）模式。Spark 的 Standalone 模式体现了经典的master-slave 模式。集群规划:

解压缩文件

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module cd     /opt/module     
mv     spark-3.0.0-bin-hadoop3.2 spark-standalone

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到Linux 并解压缩在指定位置
```

修改配置文件

1)    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)      vim slaves
这里修改为自己的主机名      
linux1 linux2 linux3          
修改 slaves 文件，添加work 节点

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=linux1 
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       

启动集群

启动集群

1. 执行脚本命令：

sbin/start-all.sh

查看三台服务器运行进程

jps

查看 Master 资源监控Web UI 界面: http://linux1:8080

提交应用

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://master:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \ 
10

1. –class 表示要执行程序的主类
2. –master spark://linux1:7077 独立部署模式，连接到Spark 集群
3. spark-examples_2.12-3.0.0.jar 运行类所在的 jar 包
4. 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

执行任务时，会产生多个 Java 进程

执行任务时，默认采用服务器集群节点的总核数，每个节点内存 1024M

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]

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(环境)	模式：local[*]、spark://linux1:7077、 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
–executor-cores	指定每个executor 使用的cpu 核数
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

由于 spark-shell 停止掉后，集群监控 linux1:4040 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://linux1:8020/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://linux1:8020/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
 sbin/start-all.sh
sbin/start-history-server.sh

6)	重新执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://master:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \10
7)	查看历史服务：http://linux1:18080

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

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module cd /opt/module
mv spark-3.0.0-bin-hadoop3.2 spark-yarn

修改配置文件

1. 修改 hadoop 配置文件/opt/module/hadoop/etc/hadoop/yarn-site.xml, 并分发

<!--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

mv     spark-env.sh.template spark-env.sh 
export JAVA_HOME=/opt/module/jdk1.8.0_144 
YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop

启动 HDFS 以及 YARN 集群

提交应用

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

查看 http://linux2:8088 页面，点击History，查看历史页面

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
 spark.eventLog.enabled true 
 spark.eventLog.dir		hdfs://linux1:8020/directory
注意：需要启动 hadoop 集群，HDFS 上的目录需要提前存在。
[root@linux1 hadoop]# sbin/start-dfs.sh 
[root@linux1 hadoop]# 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://linux1:8020/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=linux1:18080 
spark.history.ui.port=18080
5)	启动历史服务
 sbin/start-history-server.sh
6)	重新提交应用
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

部署模式对比

模式	Spark 安装机器数	需启动的进程	所属者	应用场景
Local	1	无	Spark	测试
Standalone	3	Master 及 Worker	Spark	单独部署
Yarn	1	Yarn 及 HDFS	Hadoop	混合部署

端口号

Ø Spark 查看当前 Spark-shell 运行任务情况端口号：4040（计算）

Ø Spark Master 内部通信服务端口号：7077

Ø Standalone 模式下，Spark Master Web 端口号：8080（资源）

Ø Spark 历史服务器端口号：18080

Ø Hadoop YARN 任务运行情况查看端口号：8088