Spark安装

Posted campnouballboy

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark安装相关的知识,希望对你有一定的参考价值。

1 Spark安装地址

运行环境:CentOS 6.8 
        Hadoop 2.7.2
        JDK 1.8
        Scala 2.11.8
        Spark 2.1.1
集群以3台机器模拟:hadoop202 hadoop203 hadoop204

1.官网地址
http://spark.apache.org/
2.文档查看地址
https://spark.apache.org/docs/2.1.1/
3.下载地址
https://spark.apache.org/downloads.html
2 运行模式
2.1 Local模式

Local模式就是运行在一台计算机上的模式,通常就是用于在本机上练手和测试.他可以通过以下几种方式设置Master.

local:所有计算都运行在一个线程中,没有任何并行计算,通常我们在本机执行一些测试代码,或者练手,就用这种模式;
local[K]:指定使用的线程数来运行计算,比如local[4]就是运行4个Worker线程.通常我们的CPU有几个core就指定几个线程,最大化利用CPU的计算能力;
local[*]:这种模式直接默认按CPU最多cores来设置线程数.

2.1.1 安装使用

1)上传并解压spark安装包

[[email protected] sorfware]$ tar -zxvf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/module/
[[email protected] module]$ mv spark-2.1.1-bin-hadoop2.7 spark

2)官方求PI案例

[[email protected] spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.1.1.jar 100

(1)基本语法

bin/spark-submit --class <main-class>
--master <master-url> --deploy-mode <deploy-mode> --conf <key>=<value> ... # other options
<application-jar> [application-arguments]

(2)参数说明:

--master 指定Master的地址,默认为Local
--class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)
--deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*
--conf: 任意的Spark配置属性, 格式key=value. 如果值包含空格,可以加引号“key=value” 
application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。 比如hdfs:// 共享存储系统, 如果是 file:// path, 那么所有的节点的path都包含同样的jar
application-arguments: 传给main()方法的参数
--executor-memory 1G 指定每个executor可用内存为1G
--total-executor-cores 2 指定每个executor使用的cup核数为2个

3)结果展示
该算法是利用蒙特·卡罗算法求PI
title
4)准备文件

[[email protected] spark]$ mkdir input

在input文件中输入内容用于单词统计
5)启动spark-shell

[[email protected] spark]$ bin/spark-shell
Using Spark‘s default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
18/09/29 08:50:52 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
18/09/29 08:50:58 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
Spark context Web UI available at http://192.168.9.102:4040
Spark context available as ‘sc‘ (master = local[*], app id = local-1538182253312).
Spark session available as ‘spark‘.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _ / _ / _ `/ __/  ‘_/
   /___/ .__/\_,_/_/ /_/\_   version 2.1.1
      /_/
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_144)
Type in expressions to have them evaluated.
Type :help for more information.
scala>

开启另一个CRD窗口

[[email protected] spark]$ jps
3627 SparkSubmit
4047 Jps

6)运行WordCount程序

scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))
scala>

可登录hadoop102:4040查看程序运行
title
2.1.2 提交流程

1)提交任务分析:
title
Driver(驱动器)
Spark的驱动器是执行开发程序中的main方法的进程。它负责开发人员编写的用来创建SparkContext、创建RDD,以及进行RDD的转化操作和行动操作代码的执行。如果你是用spark shell,那么当你启动Spark shell的时候,系统后台自启了一个Spark驱动器程序,就是在Spark shell中预加载的一个叫作 sc的SparkContext对象。如果驱动器程序终止,那么Spark应用也就结束了。主要负责:

1)把用户程序转为任务
2)跟踪Executor的运行状况
3)为执行器节点调度任务
4)UI展示应用运行状况

Executor(执行器)
Spark Executor是一个工作进程,负责在 Spark 作业中运行任务,任务间相互独立。Spark 应用启动时,Executor节点被同时启动,并且始终伴随着整个 Spark 应用的生命周期而存在。如果有Executor节点发生了故障或崩溃,Spark 应用也可以继续执行,会将出错节点上的任务调度到其他Executor节点上继续运行。主要负责:

1)负责运行组成 Spark 应用的任务,并将结果返回给驱动器进程;
2)通过自身的块管理器(Block Manager)为用户程序中要求缓存的RDD提供内存式存储。RDD是直接缓存在Executor进程内的,因此任务可以在运行时充分利用缓存数据加速运算。

2.1.3 数据流程

textFile("input"):读取本地文件input文件夹数据;
flatMap(_.split(" ")):压平操作,按照空格分割符将一行数据映射成一个个单词;
map((_,1)):对每一个元素操作,将单词映射为元组;
reduceByKey(_+_):按照key将值进行聚合,相加;
collect:将数据收集到Driver端展示。

title
2.2 Standalone模式
2.2.1 概述

构建一个由Master+Slave构成的Spark集群,Spark运行在集群中。
title
2.2.2 安装使用

1)进入spark安装目录下的conf文件夹

[[email protected] module]$ cd spark/conf/

2)修改配置文件名称

[[email protected] conf]$ mv slaves.template slaves
[[email protected] conf]$ mv spark-env.sh.template spark-env.sh

3)修改slave文件,添加work节点:

[[email protected] conf]$ vim slaves
hadoop202
hadoop203
hadoop204

4)修改spark-env.sh文件,添加如下配置:

[[email protected] conf]$ vim spark-env.sh
SPARK_MASTER_HOST=hadoop202
SPARK_MASTER_PORT=7077

5)分发spark包

[[email protected] module]$ xsync spark/

6)启动

[[email protected] spark]$ sbin/start-all.sh
[[email protected] spark]$ xcall jps 
[email protected]================
3330 Jps
3238 Worker
3163 Master
[email protected]================
2966 Jps
2908 Worker
[email protected]================
2978 Worker
3036 Jps

网页查看:hadoop202:8080
注意:如果遇到 “JAVA_HOME not set” 异常,可以在sbin目录下的spark-config.sh 文件中加入如下配置:
export JAVA_HOME=XXXX

7)官方求PI案例

[[email protected] spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop202:7077 --executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.1.1.jar 100

title
8)启动spark shell

/opt/module/spark/bin/spark-shell --master spark://hadoop202:7077 --executor-memory 1g --total-executor-cores 2

参数:--master spark://hadoop202:7077指定要连接的集群的master
执行WordCount程序

scala>sc.textFile("input").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((hadoop,6), (oozie,3), (spark,3), (hive,3), (atguigu,3), (hbase,6))
scala>

2.2.3 JobHistoryServer配置

1)修改spark-default.conf.template名称

[[email protected] conf]$ mv spark-defaults.conf.template spark-defaults.conf

2)修改spark-default.conf文件,开启Log:

[[email protected] conf]$ vi spark-defaults.conf
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://hadoop202:9000/directory

注意:HDFS上的目录需要提前存在。

3)修改spark-env.sh文件,添加如下配置:

[[email protected] conf]$ vi spark-env.sh
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 
-Dspark.history.retainedApplications=30 
-Dspark.history.fs.logDirectory=hdfs://hadoop202:9000/directory"

参数描述:

spark.eventLog.dir:Application在运行过程中所有的信息均记录在该属性指定的路径下
spark.history.ui.port=18080  WEBUI访问的端口号为18080
spark.history.fs.logDirectory=hdfs://hadoop202:9000/directory配置了该属性后,在start-history-server.sh时就无需再显式的指定路径,Spark History Server页面只展示该指定路径下的信息
spark.history.retainedApplications=30指定保存Application历史记录的个数,如果超过这个值,旧的应用程序信息将被删除,这个是内存中的应用数,而不是页面上显示的应用数。

4)分发配置文件

[[email protected] conf]$ xsync spark-defaults.conf
[[email protected] conf]$ xsync spark-env.sh

5)启动历史服务

[[email protected] spark]$ sbin/start-history-server.sh

6)再次执行任务

[[email protected] spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://hadoop202:7077 --executor-memory 1G --total-executor-cores 2 ./examples/jars/spark-examples_2.11-2.1.1.jar 100

7)查看历史服务
hadoop202:18080
2.2.4 HA配置

title
1)zookeeper正常安装并启动
2)修改spark-env.sh文件添加如下配置:

[[email protected] conf]$ vi spark-env.sh

注释掉如下内容:

#SPARK_MASTER_HOST=hadoop202
#SPARK_MASTER_PORT=7077

添加上如下内容:

export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER 
-Dspark.deploy.zookeeper.url=hadoop202,hadoop103,hadoop104 
-Dspark.deploy.zookeeper.dir=/spark"

3)分发配置文件

[[email protected] conf]$ xsync spark-env.sh

4)在hadoop202上启动全部节点

[[email protected] spark]$ sbin/start-all.sh

5)在hadoop103上单独启动master节点

[[email protected] spark]$ sbin/start-master.sh

6)spark HA集群访问

/opt/module/spark/bin/spark-shell --master spark://hadoop202:7077,hadoop103:7077 --executor-memory 2g --total-executor-cores 2

2.3 Yarn模式
2.3.1 概述

Spark客户端直接连接Yarn,不需要额外构建Spark集群。有yarn-client和yarn-cluster两种模式,主要区别在于:Driver程序的运行节点。
yarn-client:Driver程序运行在客户端,适用于交互、调试,希望立即看到app的输出
yarn-cluster:Driver程序运行在由RM(ResourceManager)启动的AP(APPMaster)适用于生产环境。
title
2.3.2 安装使用

1)修改hadoop配置文件yarn-site.xml,添加如下内容:

[[email protected] hadoop]$ vi yarn-site.xml
    <!--是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
    <property>
            <name>yarn.nodemanager.pmem-check-enabled</name>
            <value>false</value>
    </property>
    <!--是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true -->
    <property>
            <name>yarn.nodemanager.vmem-check-enabled</name>
            <value>false</value>
    </property>

2)修改spark-env.sh,添加如下配置:

[[email protected] conf]$ vi spark-env.sh
YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop

3)分发配置文件

[[email protected] conf]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml
[[email protected] conf]$ xsync spark-env.sh

4)执行一个程序

[[email protected] spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client ./examples/jars/spark-examples_2.11-2.1.1.jar 100

注意:在提交任务之前需启动HDFS以及YARN集群。

2.5.3 日志查看
1)修改配置文件spark-defaults.conf
添加如下内容:

spark.yarn.historyServer.address=hadoop202:18080
spark.history.ui.port=4000

2)重启spark历史服务

[[email protected] spark]$ sbin/stop-history-server.sh 
stopping org.apache.spark.deploy.history.HistoryServer
[[email protected] spark]$ sbin/start-history-server.sh 
starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/module/spark/logs/spark-atguigu-org.apache.spark.deploy.history.HistoryServer-1-hadoop202.out

3)提交任务到Yarn执行

[[email protected] spark]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client ./examples/jars/spark-examples_2.11-2.1.1.jar 100

4)Web页面查看日志
hadoop203:8088/cluster
2.4 Mesos模式

Spark客户端直接连接Mesos;不需要额外构建Spark集群。国内应用比较少,更多的是运用yarn调度。
2.5 几种模式对比

title








































以上是关于Spark安装的主要内容,如果未能解决你的问题,请参考以下文章

spark关于join后有重复列的问题(org.apache.spark.sql.AnalysisException: Reference '*' is ambiguous)(代码片段

Spark闭包与序列化

Spark编程实战-词频统计

Spark编程实战-词频统计

spark 例子wordcount topk

Spark:如何加速 foreachRDD?