Spark-On-Yarn integrado en el entorno Spark

principio

Nota:

• En el desarrollo real, las tareas de big data se gestionan mediante herramientas unificadas de gestión de recursos y programación de tareas. El hilo es el más utilizado.
• Debido a que es maduro y estable, admite múltiples estrategias de programación: FIFO / Capcity / Fair
• Puede usar la programación de Yarn para administrar MR / Hive / Spark / Flink

instalación

1. Apague el clúster independiente Spark anterior
   /export/server/spark/sbin/stop-all.sh

2. Configure el servidor de historial de Yarn y desactive la verificación de recursos
   vim /export/servers/hadoop/etc/hadoop/yarn-site.xml

<configuration>
    <!-- 配置yarn主节点的位置 -->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>node01</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <!-- 设置yarn集群的内存分配方案 -->
    <property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>20480</value>
    </property>
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>2048</value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-pmem-ratio</name>
        <value>2.1</value>
    </property>
    <!-- 开启日志聚合功能 -->
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>
    <!-- 设置聚合日志在hdfs上的保存时间 -->
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
    </property>
    <!-- 设置yarn历史服务器地址 -->
    <property>
        <name>yarn.log.server.url</name>
        <value>http://node01:19888/jobhistory/logs</value>
    </property>
    <!-- 关闭yarn内存检查 -->
    <property>
        <name>yarn.nodemanager.pmem-check-enabled</name>
        <value>false</value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
    </property>
</configuration>

Nota: Si no hay configuración antes, ahora debe distribuirse y reiniciarse el hilo.

cd /export/servers/hadoop/etc/hadoop
scp -r yarn-site.xml root@node02:$PWD
scp -r yarn-site.xml root@node03:$PWD
关闭yarn：
/export/server/hadoop/sbin/stop-yarn.sh
打开yarn：
/export/server/hadoop/sbin/start-yarn.sh

3. Configurar la integración del servidor de historial de Spark y Yarn

• Modificar spark-defaults.conf

进入配置目录
cd /export/servers/spark/conf

修改配置文件名称
mv spark-defaults.conf.template spark-defaults.conf

vim spark-defaults.conf
添加内容：
spark.eventLog.enabled                  true
spark.eventLog.dir                      hdfs://node01:8020/sparklog/
spark.eventLog.compress                 true
spark.yarn.historyServer.address        node01:18080

• Modificar spark-env.sh

修改配置文件
vim /export/servers/spark/conf/spark-env.sh

增加如下内容：
## 配置spark历史日志存储地址
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://node01:8020/sparklog/ -Dspark.history.fs.cleaner.enabled=true"

注意:sparklog需要手动创建
hadoop fs -mkdir -p /sparklog

• Modificar el nivel de registro

进入目录
cd /export/servers/spark/conf

修改日志属性配置文件名称
mv log4j.properties.template log4j.properties

改变日志级别
vim log4j.properties

修改内容如下：

• Distribución opcional, si solo envía tareas de chispa al hilo en el nodo1, entonces no necesita distribuir

cd /export/servers/spark/conf
scp -r spark-env.sh root@node02:$PWD
scp -r spark-env.sh root@node03:$PWD
scp -r spark-defaults.conf root@node02:$PWD
scp -r spark-defaults.conf root@node03:$PWD
scp -r log4j.properties root@node02:$PWD
scp -r log4j.properties root@node03:$PWD

4. Configurar el paquete jar de Spark dependiente

• Cree un directorio para almacenar paquetes jar relacionados con Spark en HDFS
  hadoop fs -mkdir -p /spark/jars/

• Cargue todos los paquetes jar de $ SPARK_HOME / jars a HDFS
  hadoop fs -put /export/servers/spark/jars/* /spark/jars/

• Modificar spark-defaults.conf en node01

vim /export/servers/spark/conf/spark-defaults.conf
添加内容：
spark.yarn.jars  hdfs://node01:8020/spark/jars/*

分发同步-可选
cd /export/servers/spark/conf
scp -r spark-defaults.conf root@node02:$PWD
scp -r spark-defaults.conf root@node03:$PWD

5. Comienza el servicio

• Para iniciar los servicios HDFS y YARN, ejecute el comando
  start-dfs.sh
  start-yarn.sh
  o
  start-all.sh en node01

-Inicie el servicio MRHistoryServer, ejecute el comando
mr-jobhistory-daemon.sh start historyserver en node01

• Inicie el servicio Spark HistoryServer y ejecute el comando
  /export/servers/spark/sbin/start-history-server.sh en node01

• Página de la interfaz de usuario WEB del servicio MRHistoryServer:
  http: // node01: 19888

• Página de interfaz de usuario WEB del servicio Spark HistoryServer:
  http: // node01: 18080 /