Spark on Yarn

Posted 2021-02-18 bqwzy

承接上一篇文档《Spark案例练习-打包提交》

将spark应用运行在yarn集群上

 官网地址：http://spark.apache.org/docs/2.0.2/running-on-yarn.html

 

1. 在spark-env.sh中配置HADOOP_CONF_DIR 或者 YARN_CONF_DIR

 

HADOOP_CONF_DIR=/opt/bigdata/hadoop-2.7.3/etc/hadoop

 

2. 启动hdfs和yarn

./sbin/start-yarn.sh 

 

3. 测试运行

浏览器访问master:8088

在8088端口下（yarn的UI下）查看下面语句的效果：

默认部署模式是client

执行命令

./bin/spark-submit 
--class 全包.类名 
--master yarn 
jar包位置

这里遇到了一个错误

ERROR cluster.YarnClientSchedulerBackend: Yarn application has already exited with state FINISHED!

查了一下是因为内存分配不够导致的yarn强行关闭

往yarn-site.xml中加入

<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>

重启hadoop即可解决

 

 

在8088端口下（yarn的UI下）查看下面语句的效果：

运行代码

用cluster模式运行

./bin/spark-submit 
--class 全包.类名
--master yarn 
--deploy-mode cluster 

jar包位置

 

 

集群部署的时候如果不成功，将logpvuv.jar放在hadoop-2.7.3/share/hadoop/common/lib或者/hadoop-2.7.3/share/hadoop/yarn/lib下面（我成功了,所以没有做这一步）

 

4. 在standalone集群运行spark应用的时候，指定一些资源（内存、CPU）

client模式执行的命令：

./bin/spark-submit 
--class 全包.LogPVAndUVCount 
--master spark://master:7070 
/opt/modules/jar/logpvuv.jar

 

1、--driver-memory 指定driver的内存，client模式一般不指定，cluster部署模式的话，如果你在代码中调用rdd.collect,并且rdd的数据量很大的话，那么可以指定一下该参数

2、--executor-memory 指定每个executor的内存，Default: 1G

3、--total-executor-cores 指定所有的executor总共需要的core

4、--executor-cores 每个executor需要的core的数量

 

命令：

./bin/spark-submit 
--class 全包.LogPVAndUVCount 
--master spark://master:7070 
--total-executor-cores 3 
--executor-cores 1 
--executor-memory 512m 
/opt/modules/jar/logpvuv.jar

 

 

对应我们得到配置，这里要注意一下资源分配的问题

total-executor-cores*executor-memory不可以大于分配给spark的内存

如果大于会出警告，程序会一直暂停

 

 

注意：

每个executor的内存不可以超过单个Worker节点上所有可使用的内存

单个executor的core数也不可以超过单个Worker节点上所有可使用的core数

 

部署模式是cluster模式时,查看UI界面的变化（对比client模式）：

./bin/spark-submit 
--class 全包.LogPVAndUVCount 
--master spark://master:6066 
--deploy-mode cluster 
--driver-cores 2 
/opt/modules/jar/logpvuv.jar

 

对比可以发现，cluster会根据你所给定的core数自动分配内存

我配置的内存是2g，所以每个core所分配到的内存是1024MB（1G）

 

还有几个参数：

在yarn集群的时候

--num-executors 指定executor的数量

--executor-cores 指定每个executor的core的数量

 

例如：

假设spark应用RDD有50分区

--num-executors 10

--executor-cores 5

 

二、Spark on yarn Job History服务配置

 

1.前提：yarn-site.xml中开启日志聚集功能

<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<property>
<name>yarn.log.server.url</name>
<value>http://master:19888/jobhistory/logs</value>
</property>

 

2. 配置并且启动spark的job history server

./sbin/start-history-server.sh

查看HistoryServer这个进程

对应的UI界面：http://master:18080/

 

 

 

3. 启动yarn的job history server

先进入hadoop的安装目录

 

执行

./sbin/mr-jobhistory-daemon.sh start historyserver

 

查看JobHistoryServer进程

对应的UI界面：

http://master:19888/jobhistory

 

 

4.修改spark应用的配置文件spark-default.conf

spark.yarn.historyServer.address http://master:18080

 

 

 

5.测试一个spark on yarn(前面的例子执行查看下就好)

./bin/spark-submit 
--class 全包.类名
--master yarn 
jar包位置

 

 

 

三、如果要加载配置

参数：--properties-file xxxx.properties（文件名）

xxxx.properties里面的内容示例：

spark.yarn.historyServer.address（空格）http://master:18080

注意：这个配置文件中的属性必须是以spark开头

配置文件的写法 spark.* xxxx属性值，属性名称与属性值中间用一个空格隔开

 

关注公众号：分享电脑学习
回复"百度云盘" 可以免费获取所有学习文档的代码（不定期更新）
云盘目录说明：
tools目录是安装包
res 目录是每一个课件对应的代码和资源等
doc 目录是一些第三方的文档工具