Spark之三大集群模式—详解（3）

1、standalone集群模式

铁子话不多说，开整 ↓↓↓↓↓↓

1.1 集群角色介绍

standalone独立集群模式–开发测试使用

Spark是基于内存计算的大数据并行计算框架，
实际中运行计算任务肯定是使用集群模式，
那么我们先来学习Spark自带的standalone集群模式了解一下它的架构及运行机制。

Standalone集群使用了分布式计算中的master-slave模型，
master是集群中含有master进程的节点
slave是集群中的worker节点含有Executor进程

●Spark架构图如下(先了解)：

1.2 集群规划

node01:master
node02:slave/worker  
node03:slave/worker

1.3 修改配置并分发

●修改Spark配置文件

cd /export/servers/spark/conf

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

vim  spark-env.sh

#配置java环境变量(如果之前配置过了就不需要动了)
export JAVA_HOME=/export/servers/jdk1.8 
#指定spark Master的IP
export SPARK_MASTER_HOST=node01
#指定spark Master的端口
export SPARK_MASTER_PORT=7077

mv slaves.template slaves

vim  slaves 

node02
node03

●配置spark环境变量 (建议不添加，避免和Hadoop的命令冲突)
将spark添加到环境变量,添加以下内容到 /etc/profile

export SPARK_HOME=/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0

export PATH=$PATH:$SPARK_HOME/bin

注意:
hadoop/sbin 的目录和 spark/sbin 可能会有命令冲突：

start-all.sh stop-all.sh

解决方案：
1.把其中一个框架的 sbin 从环境变量中去掉；

2.改名 hadoop/sbin/start-all.sh 改为: start-all-hadoop.sh

●通过scp 命令将配置文件分发到其他机器上

scp -r /export/servers/spark node02:/export/servers
scp -r /export/servers/spark node03:/export/servers
scp /etc/profile root@node02:/etc
scp /etc/profile root@node03:/etc

source /etc/profile 刷新配置

1.4 启动和停止

●集群启动和停止
在主节点上启动spark集群

/export/servers/spark/sbin/start-all.sh 

在主节点上停止spark集群

/export/servers/spark/sbin/stop-all.sh

●单独启动和停止

在 master 安装节点上启动和停止 master：

start-master.sh
stop-master.sh

在 Master 所在节点上启动和停止worker(work指的是slaves 配置文件中的主机名)

start-slaves.sh
stop-slaves.sh

1.5 查看web界面

正常启动spark集群后，查看spark的web界面，查看相关信息。

http://node01:8080/

1.6 测试

●需求
使用集群模式运行Spark程序读取HDFS上的文件并执行WordCount

●集群模式启动spark-shell

/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-shell --master spark://node01:7077

●运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output2")

●SparkContext web UI

http://node01:4040/jobs/

●注意

集群模式下程序是在集群上运行的，不要直接读取本地文件，应该读取hdfs上的 因为程序运行在集群上，具体在哪个节点上我们运行并不知道，其他节点可能并没有那个数据文件

2、standalone-HA高可用模式

2.1 原理

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)--只能用于开发或测试环境。
2.基于zookeeper的Standby Masters(Standby Masters with ZooKeeper)--可以用于生产环境。

2.2 配置HA

该HA方案使用起来很简单，首先启动一个ZooKeeper集群，然后在不同节点上启动Master，注意这些节点需要具有相同的zookeeper配置。

●先停止Sprak集群
/export/servers/spark/sbin/stop-all.sh 
 
●在node01上配置：
vim /export/servers/spark/conf/spark-env.sh
 
●注释掉Master配置
#export SPARK_MASTER_HOST=node01

●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=node01:2181,node02:2181,node03:2181  
-Dspark.deploy.zookeeper.dir=/spark"


参数说明 
spark.deploy.recoveryMode：恢复模式
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、Application信息。

2.3 启动zk集群

zkServer.sh status
zkServer.sh stop
zkServer.sh start

2.4 启动Spark集群

●node01上启动Spark集群执行

/export/servers/spark/sbin/start-all.sh
 
●在node02上再单独只起个master:

/export/servers/spark/sbin/start-master.sh

●注意：

在普通模式下启动spark集群
只需要在主节点上执行start-all.sh 就可以了
在高可用模式下启动spark集群
先需要在任意一台主节点上执行start-all.sh 
然后在另外一台主节点上单独执行start-master.sh

●查看node01和node02

http://node01:8080/
http://node02:8080/

可以观察到有一台状态为StandBy

2.5 测试HA

●测试主备切换

1.在node01上使用jps查看master进程id
2.使用kill -9 id号强制结束该进程
3.稍等片刻后刷新node02的web界面发现node02为Alive

●测试集群模式提交任务

1.集群模式启动spark-shell

/export/servers/spark/bin/spark-shell --master 
spark://node01:7077,node02:7077

2.运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output3")

3、 on yarn集群模式

●官方文档

http://spark.apache.org/docs/latest/running-on-yarn.html

3.1 准备工作

1.安装启动Hadoop(需要使用HDFS和YARN，已经ok)

2.安装单机版Spark(已经ok)
注意：不需要集群，因为把Spark程序提交给YARN运行本质上是把字节码给YARN集群上的JVM运行，
但是得有一个东西帮我去把任务提交上个YARN，所以需要一个单机版的Spark，
里面的有spark-shell命令，spark-submit命令

3.修改配置：
在spark-env.sh ，添加HADOOP_CONF_DIR配置，指明了hadoop的配置文件的位置

vim /export/servers/spark/conf/spark-env.sh
export HADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop

3.2 cluster模式

●说明
在企业生产环境中大部分都是cluster部署模式运行Spark应用
Spark On YARN的Cluster模式 指的是Driver程序运行在YARN集群上

●补充Driver是什么:
运行应用程序的main()函数并创建SparkContext的进程

●图解

●运行示例程序

 spark-shell是一个简单的用来测试的交互式窗口
spark-submit用来提交打成jar包的任务



/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

 ●查看界面
 
http://node01:8088/cluster

3.3 client模式[了解]

●说明
学习测试时使用，开发不用，了解即可
Spark On YARN的Client模式 指的是Driver程序运行在提交任务的客户端

●图解

●运行示例程序

/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

3.4 两种模式的区别

Cluster和Client模式最本质的区别是：Driver程序运行在哪里！

运行在YARN集群中就是Cluster模式，
运行在客户端就是Client模式

当然还有由本质区别延伸出来的区别，面试的时候能简单说出几点就行

●cluster模式：生产环境中使用该模式

1.Driver程序在YARN集群中
2.应用的运行结果不能在客户端显示
3.该模式下Driver运行ApplicattionMaster这个进程中，如果出现问题，yarn会重启ApplicattionMaster(Driver)

●client模式：

1.Driver运行在Client上的SparkSubmit进程中
2.应用程序运行结果会在客户端显示

4、 Spark参数详解

4.1 spark-shell

spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下可以用scala编写spark程序，适合学习测试时使用！

●示例

spark-shell可以携带参数
spark-shell --master local[N] 数字N表示在本地模拟N个线程来运行当前任务
spark-shell --master local[*] *表示使用当前机器上所有可用的资源
默认不携带参数就是--master local[*]
spark-shell --master spark://node01:7077,node02:7077 表示运行在集群上

4.2 spark-submit

spark-submit命令用来提交jar包给spark集群/YARN
spark-shell交互式编程确实很方便我们进行学习测试，但是在实际中我们一般是使用IDEA开发Spark应用程序打成jar包交给Spark集群/YARN去执行。
spark-submit命令是我们开发时常用的!!!

示例：计算π

cd /export/servers/spark
/export/servers/spark/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077  \
--executor-memory 1g \
--total-executor-cores 2 \
/export/servers/spark/examples/jars/spark-examples_2.11-2.2.0.jar \
10

4.3 参数总结

●Master参数形式

其他参数示例

--master spark://node01:7077    指定 Master 的地址
--name "appName"                 指定程序运行的名称
--class                           程序的main方法所在的类
--jars  xx.jar                    程序额外使用的 jar 包
--driver-memory 512m             Driver运行所需要的内存, 默认1g
--executor-memory 2g             指定每个 executor 可用内存为 2g， 默认1g
--executor-cores 1               指定每一个 executor 可用的核数
--total-executor-cores 2         指定整个集群运行任务使用的 cup 核数为 2 个
 --queue default  					指定任务的对列
--deploy-mode						指定运行模式（client/cluster）

●注意：

如果 worker 节点的内存不足，那么在启动 spark-submit的时候，就不能为 executor分配超出 worker 可用的内存容量。
如果–executor-cores超过了每个 worker 可用的 cores，任务处于等待状态。
如果–total-executor-cores即使超过可用的 cores，默认使用所有的。以后当集群其他的资源释放之后，就会被该程序所使用。
如果内存或单个 executor 的 cores 不足，启动 spark-submit 就会报错，任务处于等待状态，不能正常执行。