配置

大部分为Spark on YARN模式提供的配置与其它部署模式提供的配置相同。下面这些是为Spark on YARN模式提供的配置。




Spark属性


Property Name

Default

Meaning

spark.yarn.applicationMaster.waitTries

10

ApplicationMaster等待Spark master的次数以及

SparkContext初始化尝试的次数

spark.yarn.submit.file.replication

HDFS默认的复制次数（3）

上传到HDFS的文件的HDFS复制水平。

这些文件包括Spark jar、app jar以及任何分布式缓存文件/档案

spark.yarn.preserve.staging.files

false

设置为true，则在作业结束时保留阶段性文件

（Spark jar、app jar以及任何分布式缓存文件）而不是删除它们

spark.yarn.scheduler.heartbeat.interval-ms

5000

Spark application master给YARN ResourceManager

发送心跳的时间间隔（ms）

spark.yarn.max.executor.failures

numExecutors * 2,最小为3

失败应用程序之前最大的执行失败数

spark.yarn.historyServer.address

(none)

Spark历史服务器（如host.com:18080）的地址。

这个地址不应该包含一个模式（http://）。

默认情况下没有设置值，这是因为该选项是一个可选选项。

当Spark应用程序完成从ResourceManager UI到Spark历史

服务器UI的连接时，这个地址从YARN ResourceManager得到

spark.yarn.dist.archives

(none)

提取逗号分隔的档案列表到每个执行器的工作目录

spark.yarn.dist.files

(none)

放置逗号分隔的文件列表到每个执行器的工作目录

spark.yarn.executor.memoryOverhead

executorMemory * 0.07,最小384

分配给每个执行器的堆内存大小（以MB为单位）。

它是VM开销、interned字符串或者其它本地开销占用的内存。

这往往随着执行器大小而增长。（典型情况下是6%-10%）

spark.yarn.driver.memoryOverhead

driverMemory * 0.07,最小384

分配给每个driver的堆内存大小（以MB为单位）。

它是VM开销、interned字符串或者其它本地开销占用的内存。

这往往随着执行器大小而增长。（典型情况下是6%-10%）

spark.yarn.queue

default

应用程序被提交到的YARN队列的名称

spark.yarn.jar

(none)

Spark jar文件的位置，覆盖默认的位置。默认情况下，

Spark on YARN将会用到本地安装的Spark jar。

但是Spark jar也可以HDFS中的一个公共位置。

这允许YARN缓存它到节点上，而不用在每次运行应用程序时都需要分配。

指向HDFS中的jar包，可以这个参数为"hdfs:///some/path"

spark.yarn.access.namenodes

(none)

你的Spark应用程序访问的HDFS namenode列表。例如，spark.yarn.access.namenodes=hdfs://nn1

.com:8032,hdfs://nn2.com:8032，

Spark应用程序必须访问namenode列表，

Kerberos必须正确配置来访问它们。

Spark获得namenode的安全令牌，

这样Spark应用程序就能够访问这些远程的HDFS集群。

spark.yarn.containerLauncherMaxThreads

25

为了启动执行者容器，应用程序master用到的最大线程数

spark.yarn.appMasterEnv.[EnvironmentVariableName]

(none)

添加通过EnvironmentVariableName指定的环境变量

到Application Master处理YARN上的启动。

用户可以指定多个该设置，从而设置多个环境变量。

在yarn-cluster模式下，这控制Spark driver的环境。

在yarn-client模式下，这仅仅控制执行器启动者的环境。



在YARN上启动Spark

确保HADOOP_CONF_DIR或YARN_CONF_DIR指向的目录包含Hadoop集群的（客户端）配置文件。这些配置用于写数据到dfs和连接到YARN ResourceManager。



有两种部署模式可以用来在YARN上启动Spark应用程序。在yarn-cluster模式下，Spark driver运行在application master进程中，这个进程被集群中的YARN所管理，客户端会在初始化应用程序 之后关闭。在yarn-client模式下，driver运行在客户端进程中，application master仅仅用来向YARN请求资源。


和Spark单独模式以及Mesos模式不同，在这些模式中，master的地址由"master"参数指定，而在YARN模式下，ResourceManager的地址从Hadoop配置得到。因此master参数是简单的yarn-client和yarn-cluster。



在yarn-cluster模式下启动Spark应用程序。 



    1.  ./bin/spark-submit --class path.to.your.Class --master yarn-cluster [options] <app jar> [app options]
2.


    复制代码


    例子： 

    1.  $ ./bin/spark-submit --class org.apache.spark.examples.SparkPi \
2.      --master yarn-cluster \
3.      --num-executors 3 \
4.      --driver-memory 4g \
5.      --executor-memory 2g \
6.      --executor-cores 1 \
7.      --queue thequeue \
8.      lib/spark-examples*.jar \
9.      10


    复制代码


    以上启动了一个YARN客户端程序用来启动默认的 Application Master，然后SparkPi会作为Application Master的子线程运行。客户端会定期的轮询Application Master用于状态更新并将 更新显示在控制台上。一旦你的应用程序运行完毕，客户端就会退出。


    在yarn-client模式下启动Spark应用程序，运行下面的shell脚本 

    1.  $ ./bin/spark-shell --master yarn-client


    复制代码




    添加其它的jar

    在yarn-cluster模式下，driver运行在不同的机器上，所以离开了保存在本地客户端的文件，SparkContext.addJar将不会工作。为了使SparkContext.addJar用到保存在客户端的文件， 在启动命令中加上--jars选项。 


      1.  $ ./bin/spark-submit --class my.main.Class \
2.      --master yarn-cluster \
3.      --jars my-other-jar.jar,my-other-other-jar.jar
4.      my-main-jar.jar
5.      app_arg1 app_arg2


      复制代码




      注意事项

      • 在Hadoop 2.2之前，YARN不支持容器核的资源请求。因此，当运行早期的版本时，通过命令行参数指定的核的数量无法传递给YARN。在调度决策中，核请求是否兑现取决于用哪个调度器以及 如何配置调度器。
      • Spark executors使用的本地目录将会是YARN配置（yarn.nodemanager.local-dirs）的本地目录。如果用户指定了spark.local.dir，它将被忽略。
      • --files和--archives选项支持指定带 # 号文件名。例如，你能够指定--files localtest.txt#appSees.txt，它上传你在本地命名为localtest.txt的文件到HDFS，但是将会链接为名称appSees.txt。当你的应用程序运行在YARN上时，你应该使用appSees.txt去引用该文件。
      • 如果你在yarn-cluster模式下运行SparkContext.addJar，并且用到了本地文件， --jars选项允许SparkContext.addJar函数能够工作。如果你正在使用 HDFS, HTTP, HTTPS或FTP，你不需要用到该选项