spark的运行方式——转载

Posted 新际航

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的运行方式——转载相关的知识,希望对你有一定的参考价值。

 

本文转载自:http://smallx.me/2016/06/07/%E8%BF%90%E8%A1%8Cspark%E7%A8%8B%E5%BA%8F%E7%9A%84%E6%96%B9%E5%BC%8F/

 

本文主要讲述运行spark程序的几种方式,包括:本地测试、提交到集群运行、交互式运行 等。

在以下几种执行spark程序的方式中,都请注意master的设置,切记。

运行自带样例

可以用 run-example 执行spark自带样例程序,如下:

./bin/run-example org.apache.spark.examples.SparkPi

或者同样的:

run-example SparkPi

交互运行

可以用 spark-shell 以交互方式执行spark代码,这些操作都将由spark自动控制并以分布式处理的形式完成。首先,进入spark shell:

./bin/spark-shell

然后就可以直接执行spark代码了。spark-shell非常适合学习API,初学的话多在里面敲敲很好的。

  • Spark Shell中已经默认将SparkContext类初始化为对象sc。用户代码如果需要用到,则直接应用sc即可,否则用户自己再初始化,就会出现端口占用问题,相当于启动两个上下文。
  • 在使用spark-shell时,可以通过 –driver-class-path 选项来指定所依赖的jar文件,多个jar文件之间使用分号”:”分割。
  • 如果觉得spark-shell的日志过多而影响观看结果,可以配置一下日志参数,将conf目录下的log4j.properties.template复制一个并命名为log4j.properties,并修改其中的日志等级就ok了。

本地运行测试

如果你是在windows上开发spark程序,然后提交到linux运行。那么本地测试将会方便开发。
本地测试spark程序,需要将master设置为local[n]。同时注意:sc.textFile()可以加载本地文件而不一定是hdfs文件,这对于开发测试是非常方便的。
本地运行测试spark程序,既可以在IDE中进行,也可以手动在命令行中执行,参见我的linux下spark开发环境配置

windows本地测试时,需要用到hadoop的一个东东(winutils.exe),否则会出现异常。使用方法是:新建一个文件夹 D:\hadoop\bin\ 并将 winutils.exe 放入其中,并保证winutils.exe双击运行没有报*.dll缺失的错误,然后 System.setProperty("hadoop.home.dir", "D:\\hadoop\\") 设置一下hadoop目录即可。

提交到集群

可以用 spark-submit 提交任务到集群执行,如下(这里我们指定了集群URL为spark standalone集群):

spark-submit --class 应用程序的类名 --master spark://master:7077 --jars 依赖的库文件,多个包之间用逗号","分割 --executor-memory 2G --total-executor-cores 20 spark应用程序的jar包 你的应用程序需要的参数(即main方法的参数)

--master参数指定集群URL,可以是独立集群、YARN集群、Mesos集群,甚至是本地模式。见下表:

master可选值描述
spark://host:port spark standalone集群,默认端口为7077。
yarn YARN集群,当在YARN上运行时,需设置环境变量HADOOP_CONF_DIR指向hadoop配置目录,以获取集群信息。
mesos://host:port Mesos集群,默认端口为5050。
local 本地模式,使用1个核心。
local[n] 本地模式,使用n个核心。
local[*] 本地模式,使用尽可能多的核心。
  • 如果jar包所需的依赖较少,通过--jars手动指定还可以,如果很多,最好使用构建工具打包。
  • 需要注意的是,你的spark程序需要打包成jar包,spark-submit会将程序包分发到各个worker节点,同时这些上传到worker节点的文件,需要定时清理,否则会占用许多磁盘空间,如果运行于standalone模式,你可以设置 spark.worker.cleanup.appDataTtl 选项来让spark自动清理这些文件。
  • 其实安装spark不需要安装scala,因为 spark-assembly-1.2.0-hadoop2.4.0.jar 中已经自带了scala库。spark/bin/compute-classpath.sh 会自动将spark自带的库文件(spark-assembly-1.2.0-hadoop2.4.0.jar等)添加到classpath中,因此即使classpath和你的spark应用程序中都没有指定spark库文件路径,你的spark应用程序照样可以执行。

 

以上是关于spark的运行方式——转载的主要内容,如果未能解决你的问题,请参考以下文章

Spark记录-Spark On YARN内存分配(转载)

转载Spark系列之运行原理和架构

在这个 spark 代码片段中 ordering.by 是啥意思?

python+spark程序代码片段

搭建Spark源码研读和代码调试的开发环境

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