Spark运行模式Local+Standalone+Yarn+mesos

Posted 2021-06-12 Data+Science+Insight

Spark运行模式Local+Standalone+Yarn+mesos

 

bin/spark-submit --help

注意：

--master MASTER_URL spark://host:port, mesos://host:port, yarn, or local.

 

--deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster")(Default: client).

bin/spark-shell --help

注意：自己原本以为只有在submit的时候才会有这几种模式的区分，而在shell模式下，就不存在

--master MASTER_URL spark://host:port, mesos://host:port, yarn, or local.

 

--deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster")

(Default: client).

 

1，测试或实验性质的本地运行模式 （单机）

该模式被称为Local[N]模式，是用单机的多个线程来模拟Spark分布式计算，通常用来验证开发出来的应用程序逻辑上有没有问题。

spark-submit 和 spark-submit --master local 效果是一样的

（同理：spark-shell 和 spark-shell --master local 效果是一样的）

spark-submit --master local[4] 代表会有4个线程（每个线程一个core）来并发执行应用程序。

提交作业：

spark-submit --class JavaWordCount --master local[10] JavaWordCount.jar file:///tmp/test.txt 

可以看到，在程序执行过程中，只会生成一个SparkSubmit进程。

这个SparkSubmit进程又当爹、又当妈，既是客户提交任务的Client进程、又是Spark的driver程序、还充当着Spark执行Task的Executor角色。（如下图所示：driver的web ui）

这里有个小插曲，因为driver程序在应用程序结束后就会终止，那么如何在web界面看到该应用程序的执行情况呢，需要如此这般：（如下图所示）

先在spark-env.sh 增加SPARK_HISTORY_OPTS；

然后启动start-history-server.sh服务；

就可以看到启动了HistoryServer进程，且监听端口是18080。

之后就可以在web上使用http://hostname:18080愉快的玩耍了。

 

2，测试或实验性质的本地伪集群运行模式（单机模拟集群）

这种运行模式，和Local[N]很像，不同的是，它会在单机启动多个进程来模拟集群下的分布式场景，而不像Local[N]这种多个线程只能在一个进程下委屈求全的共享资源。通常也是用来验证开发出来的应用程序逻辑上有没有问题，或者想使用Spark的计算框架而没有太多资源。

用法是：提交应用程序时使用local-cluster[x,y,z]参数：x代表要生成的executor数，y和z分别代表每个executor所拥有的core和memory数。

  spark-submit --master local-cluster[2, 3, 1024]

（同理：spark-shell --master local-cluster[2, 3, 1024]用法也是一样的）

上面这条命令代表会使用2个executor进程，每个进程分配3个core和1G的内存，来运行应用程序。可以看到，在程序执行过程中，会生成如下几个进程：

SparkSubmit依然充当全能角色，又是Client进程，又是driver程序，还有点资源管理的作用。生成的两个CoarseGrainedExecutorBackend，就是用来并发执行程序的进程。它们使用的资源如下：

运行该模式依然非常简单，只需要把Spark的安装包解压后，改一些常用的配置即可使用。而不用启动Spark的Master、Worker守护进程( 只有集群的standalone方式时，才需要这两个角色)，也不用启动Hadoop的各服务（除非你要用到HDFS），这是和其他模式的区别哦，要记住才能理解。下面说说集群上的运行模式。

 

3，Spark自带Cluster Manager的Standalone Client模式（集群）

终于说到了体现分布式计算价值的地方了！（有了前面的基础，后面的内容我会稍微说快一点，只讲本文的关注点）

和单机运行的模式不同，这里必须在执行应用程序前，先启动Spark的Master和Worker守护进程。不用启动Hadoop服务，除非你用到了HDFS的内容。

start-master.sh

start-slave.sh -h hostname url:master

图省事，可以在想要做为Master的节点上用start-all.sh一条命令即可，不过这样做，和上面的分开配置有点差别，以后讲到数据本地性如何验证时会说。

启动的进程如下：（其他非Master节点上只会有Worker进程）

这种运行模式，可以使用Spark的8080 web ui来观察资源和应用程序的执行情况了。

可以看到，当前环境下，我启动了8个worker进程，每个可使用的core是2个，内存没有限制。

言归正传，用如下命令提交应用程序

spark-submit --master spark://wl1:7077

或者 spark-submit --master spark://wl1:7077 --deploy-mode client

代表着会在所有有Worker进程的节点上启动Executor来执行应用程序，此时产生的JVM进程如下：（非master节点，除了没有Master、SparkSubmit，其他进程都一样）

Master进程做为cluster manager，用来对应用程序申请的资源进行管理；

SparkSubmit 做为Client端和运行driver程序；

CoarseGrainedExecutorBackend 用来并发执行应用程序；

注意，Worker进程生成几个Executor，每个Executor使用几个core，这些都可以在spark-env.sh里面配置，此处不在啰嗦。

这是driver web ui的显示，可以看到每个executor的资源使用情况

 

4，spark自带cluster manager的standalone cluster模式（集群）

这种运行模式和上面第3个还是有很大的区别的。使用如下命令执行应用程序（前提是已经启动了spark的Master、Worker守护进程）不用启动Hadoop服务，除非你用到了HDFS的内容。

spark-submit --master spark://wl1:6066 --deploy-mode cluster

各节点启动的JVM进程情况如下：

客户端的SparkSubmit进程会在应用程序提交给集群之后就退出（区别1）

Master会在集群中选择一个Worker进程生成一个子进程DriverWrapper来启动driver程序(区别2)

而该DriverWrapper 进程会占用Worker进程的一个core，所以同样的资源下配置下，会比第3种运行模式，少用1个core来参与计算(观察下图executor id 7的core数)（区别3）

应用程序的结果，会在执行driver程序的节点的stdout中输出，而不是打印在屏幕上（区别4）

5，基于YARN的Resource Manager的Client模式（集群）

现在越来越多的场景，都是Spark跑在Hadoop集群中，所以为了做到资源能够均衡调度，会使用YARN来做为Spark的Cluster Manager，来为Spark的应用程序分配资源。

在执行Spark应用程序前，要启动Hadoop的各种服务。由于已经有了资源管理器，所以不需要启动Spark的Master、Worker守护进程。相关配置的修改，请自行研究。

使用如下命令执行应用程序

spark-submit --master yarn 

或者 spark-submit --master yarn --deploy-mode client

提交应用程序后，各节点会启动相关的JVM进程，如下：

在Resource Manager节点上提交应用程序，会生成SparkSubmit进程，该进程会执行driver程序。

RM会在集群中的某个NodeManager上，启动一个ExecutorLauncher进程，来做为

ApplicationMaster。另外，也会在多个NodeManager上生成CoarseGrainedExecutorBackend进程来并发的执行应用程序。

对应的YARN资源管理的单元Container，关系如下：

 

6，基于YARN的Resource Manager的Cluster模式（集群）

使用如下命令执行应用程序:

spark-submit --master yarn --deploy-mode cluster

和第5种运行模式，区别如下：

在Resource Manager端提交应用程序，会生成SparkSubmit进程，该进程只用来做Client端，应用程序提交给集群后，就会删除该进程。

Resource Manager在集群中的某个NodeManager上运行ApplicationMaster，该AM同时会执行driver程序。紧接着，会在各NodeManager上运行CoarseGrainedExecutorBackend来并发执行应用程序。

应用程序的结果，会在执行driver程序的节点的stdout中输出，而不是打印在屏幕上。

对应的YARN资源管理的单元Container，关系如下：

 

Spark程序提交

提交方式分为Standalone(client\\cluster)和Yarn(client\\cluster) 四种。

首先编写好我们的wordcount程序然后打成jar包，传到我们的服务器上。

object Wordcount { def main(args:Array[String]): Unit ={ val conf = new SparkConf().setAppName("WordCount") val sc = new SparkContext(conf) val inputpath = args(0) val lines = sc.textFile(inputpath) val words = lines.flatMap(line=>line.split(" ")) words.count() val wordcounts = words.map(word=>(word,1)).reduceByKey(_+_) wordcounts.saveAsTextFile(args(1)) } }

我们需要使用spark的bin/spark-submit来提交我们的程序，具体参数使用help命令查看：

bin/spark-submit --help

 

Standalone模式 client

bin/spark-submit \\ --class cn.lyl.spark.Wordcount \\ --master spark://master:7077 \\ --executor-memory 1G \\ wordcount.jar \\ hdfs://master:8020/user/README.txt \\ hdfs://master:8020/user/wordcount1

 

 

Standalone模式 cluster

bin/spark-submit \\ --class cn.lyl.spark.Wordcount \\ --master spark://master:7077 \\ --executor-memory 1G \\ --deploy-mode cluster \\ wordcount.jar \\ hdfs://master:8020/user/README.txt \\ hdfs://master:8020/user/wordcount2

 

Yarn模式 client

bin/spark-submit \\ --class cn.lyl.spark.Wordcount \\ --deploy-mode client \\ --master yarn \\ --executor-memory 1G \\ wordcount.jar \\ hdfs://master:8020/user/README.txt \\ hdfs://master:8020/user/wordcount3

 

Yarn cluster

bin/spark-submit \\ --class cn.lyl.spark.Wordcount \\ --deploy-mode cluster \\ --master yarn \\ --executor-memory 1G \\ wordcount.jar \\ hdfs://master:8020/user/README.txt \\ hdfs://master:8020/user/wordcount4

介绍

• 本地模式

Spark单机运行，一般用于开发测试。

• Standalone模式

构建一个由Master+Slave构成的Spark集群，Spark运行在集群中。

• Spark on Yarn模式

Spark客户端直接连接Yarn。不需要额外构建Spark集群。

• Spark on Mesos模式

Spark客户端直接连接Mesos。不需要额外构建Spark集群。

启动方式: spark-shell.sh(Scala)

spark-shell通过不同的参数控制采用何种模式进行。 涉及两个参数：

1 2 3 4

--master MASTER_URL spark://host:port, mesos://host:port, yarn, or local. --deploy-mode DEPLOY_MODE Whether to launch the driver program locally ("client") or on one of the worker machines inside the cluster ("cluster") (Default: client).

–master参数用于指定采用哪种运行模式。

对于Spark on Yarn模式和Spark on Mesos模式还可以通过 –deploy-mode参数控制Drivers程序的启动位置。

• 进入本地模式：

./spark-shell --master local ./spark-shell --master local[2] # 本地运行,两个worker线程,理想状态下为本地CPU core数

• 进入Standalone模式：

./spark-shell --master spark://192.168.1.10:7077

备注：测试发现MASTER_URL中使用主机名替代IP地址无法正常连接(hosts中有相关解析记录)，即以下命令连接不成功：

./spark-shell --master spark://ctrl:7077 # 连接失败

• Spark on Yarn模式

1 2 3 4 5 6 7

./spark-shell --master yarn ./spark-shell --master yarn-client #不支持这种模式 #./spark-shell --master yarn-cluster ./spark-shell --master yarn --deploy-mode client #不支持这种模式 #./spark-shell --master yarn --deploy-mode cluster

备注：Yarn的连接信息在Hadoop客户端的配置文件中指定。通过spark-env.sh中的环境变量HADOOPCONFDIR指定Hadoop配置文件路径。

• Spark on Mesos模式：

./spark-shell --master mesos://host:port ./spark-shell --master mesos://host:port --deploy-mode client ./spark-shell --master mesos://host:port --deploy-mode cluster

 

启动方式: pyspark(Python)

参数及用法与Scala语言的spark-shell相同，比如：

pyspark --master local[2]

 

参考：Spark入门教程（三）Spark运行模式（Local、Standalone、Yarn）

参考：hongma+Spark多种运行模式

参考：Spark的四种运行模式(1.2.1)

参考：