Spark 集群安装与部署

Spark集群安装部署

集群规划：

三台主机的名称为：hadoop102, hadoop103, hadoop104。集群规划如下：

hadoop102	hadoop103	hadoop104
Master+Worker	Worker	Worker

上传并解压

Spark下载地址：
https://spark.apache.org/downloads.html

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 Linux 并解压缩在指定位置

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module 
mv spark-3.0.0-bin-hadoop3.2 spark

修改配置文件

1. 进入解压缩后路径的 conf 目录，修改 slaves.template 文件名为 slaves

   mv slaves.template slaves
   

2. 修改 slaves 文件，添加 work 节点

   hadoop102
   hadoop103
   hadoop104
   

3. 修改 spark-env.sh.template 文件名为 spark-env.sh

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

4. 修改 spark-env.sh 文件，添加 JAVA_HOME 环境变量和集群对应的 master 节点

   export JAVA_HOME=/opt/module/jdk1.8.0_144	//修改为自己对应的jdk路径
   SPARK_MASTER_HOST=hadoop102
   SPARK_MASTER_PORT=7077
   

5. 分发 spark 目录

   xsync spark
   

   注意需要提前安装xsync免密登录，如果未配置可以参考：https://blog.csdn.net/hshudoudou/article/details/123101151?spm=1001.2014.3001.5501

启动集群

1. 执行脚本命令：

   sbin/start-all.sh
   

   

2. 查看三台服务器的进程

3. 查看 Master 资源监控 Web UI 界面: http://hadoop102:8080

提交应用

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

1. –class 表示要执行程序的主类

2. –master spark://hadoop102:7077 独立部署模式，连接到 Spark 集群

3. spark-examples_2.12-3.0.0.jar 运行类所在的 jar 包

4. 数字 10 表示程序的入口参数，用于设定当前应用的任务数量

提交参数说明：在提交应用中，一般会同时一些提交参数

参数	解释	可选值举例
–class	Spark 程序中包含主函数的类
–master	spark 程序运行的模式(环境)	模式：local[*]、spark://linux1:7077、 Yarn
–executor-memory 1G	指定每个 executor 可用内存为 1G	其余配置根据情况设定即可
–total-executor-cores 2	指定所有executor使用的cpu核数为 2 个
–executor-cores	指定每个executor使用的cpu核数
application-jar	打包好的应用 jar，包含依赖。
application-arguments	传给 main()方法的参数

配置历史服务器

1. 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf

   mv spark-defaults.conf.template spark-defaults.conf
   

2. 修改 spark-default.conf 文件，配置日志存储路径

   spark.eventLog.enabled true
   spark.eventLog.dir hdfs://hadoop102:8020/directory
   

需要启动 hadoop 集群，HDFS 上的 directory 目录需要提前存在。

如果不存在，需要进行创建：

sbin/start-dfs.sh
hadoop fs -mkdir /director

3. 修改 spark-env.sh 文件, 添加日志配置

   export SPARK_HISTORY_OPTS=" -Dspark.history.ui.port=18080 -Dspark.history.fs.logDirectory=hdfs://hadoop102:8020/directory -Dspark.history.retainedApplications=30"
   

4. 分发配置文件

   xsync conf
   

5. 重新启动集群和历史服务

   sbin/start-all.sh
   sbin/start-history-server.sh
   

6. 重新执行任务

   bin/spark-submit \
   --class org.apache.spark.examples.SparkPi \
   --master spark://hadoop102:7077 \
   ./examples/jars/spark-examples_2.12-3.0.0.jar \
   10
   

7. 查看历史服务：http://hadoop102:18080

   

   配置高可用（HA）

所谓的高可用是因为当前集群中的 Master 节点只有一个，所以会存在单点故障问题。所以 为了解决单点故障问题，需要在集群中配置多个 Master 节点，一旦处于活动状态的 Master 发生故障时，由备用 Master 提供服务，保证作业可以继续执行。这里的高可用一般采用 Zookeeper 设置。

集群规划：

hadoop02	hadoop103	hadoop04
Master Zookeeper Worker	Master Zookeeper Worker	Zookeeper Worker

1. 停止集群

   sbin/stop-all.sh
   

2. 启动zookeeper

   zk.sh start //这儿是利用脚本命令启动，如果没有写脚本，可以在zookeeper目录下用下面命令
   xstart zk
   

3. 修改 spark-env.sh 文件添加如下配置

注释如下内容：
#SPARK_MASTER_HOST=hadoop102
#SPARK_MASTER_PORT=7077
添加如下内容:
#Master 监控页面默认访问端口为 8080，但是可能会和 Zookeeper 冲突，所以改成 8989，也可以自
定义，访问 UI 监控页面时请注意
SPARK_MASTER_WEBUI_PORT=8989
export SPARK_DAEMON_JAVA_OPTS=" -Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop102,hadoop103,hadoop104 -Dspark.deploy.zookeeper.dir=/spark"

4. 分发配置文件

   xsync conf/
   

Yarn 模式

上述的部署模式为独立部署（Standalone）模式，独立部署模式由 Spark 自身提供计算资源，无需其他框架提供资源。这 种方式降低了和其他第三方资源框架的耦合性，独立性非常强。Spark 主要是计算框架，而不是资源调度框架，所以本身提供的资源调度并不是它的强项，因此更多的还是利用Yarn模式。

1. 修改 hadoop 配置文件/opt/module/hadoop/etc/hadoop/yarn-site.xml, 并分发

<!--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 conf/spark-env.sh，添加 JAVA_HOME 和 YARN_CONF_DIR 配置

   export JAVA_HOME=/opt/module/jdk1.8.0_144	//替换成自己的jdk目录
   YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop		//替换成自己打包hadoop目录
   

3. 启动 HDFS 以及 YARN 集群