Spark学习2

Posted 2023-04-05 半觞盛夏半觞秋

1.Spark程序监控端口

• 4040：运行的Application临时绑定的端口，多个程序同时运行会顺延
• 8080：在StandAlone下，Master角色的Web端口
• 18080：历史服务器的端口，可以查看历史任务的运行状态

2.Spark程序运行的四个层级

• 4040端口查看的是一个运行的程序的页面。相当于Application
• 每个Application中都至少有一个子任务Job
• 每个子任务Job会分成多个阶段Stage
• 每个阶段Stage会有多个线程Task来完成

3.StandAlone原理

• Master和Worker角色以独立进程的形式存在，并组成Spark运行时环境（集群）； 而在Local模式中，Master、Worker和Driver都是一体的，都是Local进程本身

4.Spark角色在StandAlone中的分布

• Master角色：Master进程，管理整个集群的资源
• Worker角色：Worker进程，管理单台服务器的资源
• Driver角色：在任务运行时，Driver角色以线程方式运行在Master中，用于管理任务的执行
• Executor角色：在任务进行时，Executor角色以线程方式运行在Worker内，用于真正执行任务

5.高可用性集群（Highly Available）

• 目的：解决单点故障
• 方案：留几个备选（StandBy）的Master，Master要想从Standby转化为Active，必须向zookeeper注册；主备切换不会影响正在运行的Job，只会影响新Job的提交
• 基于zookeeper做状态的维护，开启多个Master进程，一个作为活跃，其他的作为备份，当活跃的Master宕机后，备份Master进行接管
  

6.Spark On Yarn

• 让Spark的计算任务运行在YARN的容器内部，资源管理交由YARN完成
• spark不再进行资源的管理，只进行计算任务的管理和执行
• 集群资源管理由Yarn的ResourceManager担任
• 单机资源管理由Yarn的NodeManager担任
• Driver角色运行在Yarn容器内，或者提交任务的客户端进程中
• 真正干活的Executor运行在YARN提供的容器内
  

7.Spark On Yarn需要什么

• Yarn集群
• Spark客户端工具，如spark-submit：用于将Spark程序提交到YARN中
• 需要被提交的代码程序

8.Spark On Yarn的两种部署模式

一种是Cluster模式，一种是Client模式。区别在于：Driver运行的位置。

• Cluster模式：Driver运行在YARN容器内部，和ApplicationMaster在同一个容器内
• Client模式：Driver运行在客户端进程中，比如Driver运行在spark-submit程序的进程中

9.两种模式的任务提交流程

Client模式：

Cluster模式：

• 容器不是一起构建的，不管是哪个模式，第一个被构建的容器永远是ApplicationMaster所在的容器；然后ApplicationMaster通过向Driver询问需要多少executor，然后向ResourceManager询问资源够不够，然后再向NodeManager分配容器用于运行executor

10.编程入口SparkContext对象

Spark Application的程序入口为SparkContext，创建过程如下：

• 第一步：创建SparkConf对象
  • 用于设置Application的基本信息，比如应用的名称AppName和应用的运行Master
• 第二步：基于SparkConf对象，创建SparkContext对象

conf = SparkConf().setAppName(appName).setMaster(master)
sc = SparkContext(conf=conf)

Spark学习笔记—01 Spark集群的安装

一、概述

关于Spark是什么、为什么学习Spark等等，在这就不说了，直接看这个：http://spark.apache.org，

我就直接说一下Spark的一些优势：  

1、快

与Hadoop的MapReduce相比，Spark基于内存的运算要快100倍以上，基于硬盘的运算也要快10倍以上。Spark实现了高效的DAG执行引擎，可以通过基于内存来高效处理数据流。

2、易用

Spark支持Java、Python和Scala的API，还支持超过80种高级算法，使用户可以快速构建不同的应用。而且Spark支持交互式的Python和Scala的shell，可以非常方便地在这些shell中使用Spark集群来验证解决问题的方法。

3、通用

Spark提供了统一的解决方案。Spark可以用于批处理、交互式查询（Spark SQL）、实时流处理（Spark Streaming）、机器学习（Spark MLlib）和图计算（GraphX）。这些不同类型的处理都可以在同一个应用中无缝使用。Spark统一的解决方案非常具有吸引力，毕竟任何公司都想用统一的平台去处理遇到的问题，减少开发和维护的人力成本和部署平台的物力成本。

4、兼容性

Spark可以非常方便地与其他的开源产品进行融合。比如，Spark可以使用Hadoop的YARN和Apache Mesos作为它的资源管理和调度器，并且可以处理所有Hadoop支持的数据，包括HDFS、HBase和Cassandra等。这对于已经部署Hadoop集群的用户特别重要，因为不需要做任何数据迁移就可以使用Spark的强大处理能力。Spark也可以不依赖于第三方的资源管理和调度器，它实现了Standalone作为其内置的资源管理和调度框架，这样进一步降低了Spark的使用门槛，使得所有人都可以非常容易地部署和使用Spark。此外，Spark还提供了在EC2上部署Standalone的Spark集群的工具。
还有总结一句话：Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生态系统，以弥补MapReduce的不足。

二、集群安装

我们在自己的机器上就不要起那么多虚拟机了，就起3台虚拟机就够了（一台Master，两台Worker），当然了你的Linux机器需要先安装JDK和hdfs，我们要安装Spark-1.6.1最好使用JDK7以上。

先简单介绍一下Spark集群的一些概念：

Spark集群包括Master和Worker，Master只有一个，Worker可以有多个，Master和Worker之间通过RPC保持联系；

Master负责管理元数据，Worker负责运行Task，其中细节以后再详细介绍；

还有一个Driver，它就相当于Spark集群的客户端，主要负责向Spark集群提交任务，其中细节以后再详细介绍。

1、下载安装包

就不用写了，我们下载Spark-1.6.1

2、上传安装包并解压

解压安装包到指定位置：(这里我使用的是spark用户，把spark-1.6.1-bin-hadoop2.6.tgz 解压到了我的宿主目录下了)

tar -zxvf spark-1.6.1-bin-hadoop2.6.tgz –C /home/spark

3、配置Spark

进入Spark安装目录下的conf目录，重命名并修改spark-env.sh.template文件：

cd conf/

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

在spark-env.sh添加以下配置：

vi spark-env.sh

 

export JAVA_HOME=[你的JDK_HOME目录]

export SPARK_MASTER_IP=[Spark集群的Master所在节点的地址：Master]

export SPARK_MASTER_PORT=7077[这个端口号是Driver连接Spark集群的端口]

重命名并修改slaves.template文件：

mv slaves.template slaves

在该文件中添加子节点所在的位置（即Worker节点）：

vi slaves

[第一个Worker节点的地址：Worker1]

[第二个Worker节点的地址：Worker2]

将配置好的Spark拷贝到其他节点上：

scp -r spark-1.6.1-bin-hadoop2.6/ worker1:/home/spark

scp -r spark-1.6.1-bin-hadoop2.6/ worker2:/home/spark

4、安装完毕 测试启动

到此Spark集群安装完毕，需要启动测试一下，目前是1个Master，2个Work，在Master上启动Spark集群：（注意：不要在Worker上启动start-all，具体细节以后再介绍）

/home/spark/spark-1.5.2-bin-hadoop2.6/sbin/start-all.sh

（start-all.sh 就会启动Master和所有Worker，就不需要去每个Worker上启动了）

启动后在每台机器上执行jps命令，主节点上有Master进程，其他子节点上有Worker进程，登录Spark管理界面查看集群状态（登录地址必须是Master节点，因为Spark WebUI在Master节点上）：

http://【Master的地址】:8080/

到此为止Spark集群安装完毕

但是有一个很大的问题，那就是Master节点存在单点故障，要解决此问题，就要借助zookeeper，并且启动至少两个Master节点来实现高可靠，这个也比较简单，等待以后再介绍。当然了Worker也会挂掉，但是Worker的死活是由Master监听的，Master和Worker之间一直会有心跳，一旦Worker挂掉Master感知到以后就会把挂掉的Worker上运行的任务重新分配到其他的Worker上，具体细节待以后再介绍。