spark的集群环境安装搭建
1、spark local模式运行环境搭建
常用于本地开发测试，本地还分为local单线程和local-cluster多线程;
- 该模式被称为Local[N]模式，是用单机的多个线程来模拟Spark分布式计算，直接运行在本地，便于调试，通常用来验证开发出来的应用程序逻辑上有没有问题。
- 其中N代表可以使用N个线程，每个线程拥有一个core。如果不指定N，则默认是1个线程（该线程有1个core）。
- 如果是local[*]，则代表 Run Spark locally with as many worker threads as logical cores on your machine.
第一步：上传压缩包并解压
上传spark压缩包到/export/softwares并解压
将我们编译之后的spark的压缩包上传到/export/softwares路径下，然后进行解压
tar -zxf spark-2.2.0-bin-2.6.0-cdh5.14.0.tgz -C /export/servers/
第二步：修改spark的配置文件
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf cp spark-env.sh.template spark-env.sh
第三步：启动验证进入spark-shell
启动验证
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 ./bin/spark-shell --master local
退出spark shell客户端
:quit
第四步：运行spark自带的测试jar包
执行我们spark自带的程序jar包运算圆周率
bin/spark-submit --class org.apache.spark.examples.SparkPi --master local[2] --executor-memory 1G --total-executor-cores 2 /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar 100
其中100表示迭代计算100次来求取我们圆周率的值，注意迭代计算的次数越多，最终求得的值就会越接近圆周率的值
2、spark的standAlone模式
第一步：修改配置文件
修改spark-env.sh
node01修改spark-env.sh
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf vim spark-env.sh
export JAVA_HOME=/export/servers/jdk1.8.0_141
export SPARK_MASTER_HOST=node01
export SPARK_MASTER_PORT=7077
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=4000 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node01:8020/spark_log"
修改slaves文件
node01修改slaves配置文件
cp slaves.template slaves vim slaves node02 node03
修改spark-defaults.conf
spark的程序运行，我们为了方便调试开发，一般我们都会配置spark的运行日志，将spark程序的运行日志保存到hdfs上面，方便我们运行程序之后的开发调试
node01修改spark-defaults.conf
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf cp spark-defaults.conf.template spark-defaults.conf vim spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://node01:8020/spark_log
spark.eventLog.compress true
hdfs创建日志文件存放的目录
hdfs dfs -mkdir -p /spark_log
第三步：安装包分发到其他机器
node01服务器执行以下命令
cd /export/servers/ scp -r spark-2.2.0-bin-2.6.0-cdh5.14.0/ node02:$PWD scp -r spark-2.2.0-bin-2.6.0-cdh5.14.0/ node03:$PWD
第四步：启动spark程序
node01服务器执行以下命令启动spark程序
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 sbin/start-all.sh sbin/start-history-server.sh
第五步：浏览器页面访问
浏览器页面访问spark
查看spark任务的历史日志
第六步：使用进入spark-shell
node01执行以下命令进入spark-shell
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 bin/spark-shell --master spark://node01:7077
退出spark-shell
scala> :quit
第七步：运行spark自带的测试jar包
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://node01:7077 --executor-memory 1G --total-executor-cores 2 /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar 100
其中100表示迭代计算100次来求取我们圆周率的值，注意迭代计算的次数越多，最终求得的值就会越接近圆周率的值
3、spark的HA模式
为了解决master单节点的故障，spark也支持master的高可用配置，其中spark的高可用HA模式支持两种方式，一种是手动切换，另外一种是借助zookeeper实现自动切换
第一步：停止spark集群
停止spark的所有进程
node01服务器执行以下命令停止spark集群
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 sbin/stop-all.sh sbin/stop-history-server.sh
第二步：修改配置文件
修改spark-env.sh
node01服务器修改spark-env.sh
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf vim spark-env.sh
export JAVA_HOME=/export/servers/jdk1.8.0_141
#export SPARK_MASTER_HOST=node01
export SPARK_MASTER_PORT=7077
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=4000 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node01:8020/spark_log"
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181 -Dspark.deploy.zookeeper.dir=/spark"
修改slaves文件（standAlone模式已经修改过，不用修改了）
node01修改slaves配置文件
cp slaves.template slaves vim slaves
node02
node03
修改spark-defaults.conf（standAlone模式已经修改过，不用修改了）
spark的程序运行，我们为了方便调试开发，一般我们都会配置spark的运行日志，将spark程序的运行日志保存到hdfs上面，方便我们运行程序之后的开发调试
node01修改spark-defaults.conf
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf cp spark-defaults.conf.template spark-defaults.conf vim spark-defaults.conf
spark.eventLog.enabled true
spark.eventLog.dir hdfs://node01:8020/spark_log
spark.eventLog.compress true
hdfs创建日志文件存放的目录
hdfs dfs -mkdir -p /spark_log
第三步：配置文件分发到其他服务器
node01服务器执行以下命令进行分发
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf scp spark-env.sh node02:$PWD scp spark-env.sh node03:$PWD
第四步：启动spark集群
node01服务器执行以下命令启动spark集群
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 sbin/start-all.sh sbin/start-history-server.sh
node02服务器启动master节点
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 sbin/start-master.sh
第五步：浏览器页面访问
第六步：进入spark-shell
spark的HA模式，进入spark-shell
node01执行以下命令进入spark-shell
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/ bin/spark-shell --master spark://node01:7077,node02:7077
第七步：运行spark自带的测试jar包
bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://node01:7077,node02:7077 --executor-memory 1G --total-executor-cores 2 /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar 100
4、spark的on yarn模式
spark on yarn 模式官方文档说明
http://spark.apache.org/docs/latest/running-on-yarn.html
http://spark.apache.org/docs/latest/running-on-yarn.html#configuration
如果我们的spark程序是运行在yarn上面的话，那么我们就不需要spark 的集群了，我们只需要找任意一台机器配置我们的spark的客户端提交任务到yarn集群上面去即可
小提示：如果yarn集群资源不够，我们可以在yarn-site.xml当中添加以下两个配置，然后重启yarn集群，跳过yarn集群资源的检查
<property> <name> yarn.nodemanager.pmem-check-enabled</name <value>false</value> </property> <property> <name> yarn.nodemanager.vmem-check-enabled</name <value>false</value> </property>
1、环境准备
第一步：三台机器修改spark-env.sh
第一台机器修改spark-env.sh配置文件
第一天机器node01执行以下命令修改spark-env.sh配置文件
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf vim spark-env.sh
export HADOOP_CONF_DIR=/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop export YARN_CONF_DIR=/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop
将第一台机器的spark-env.sh配置文件同步到第二台和第三台机器上面去
第一台机器执行以下命令同步spark-env.sh配置文件
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/conf scp spark-env.sh node02:$PWD scp spark-env.sh node03:$PWD
第二步：三台机器添加spark环境变量
三台机器修改/etc/profile配置文件添加spark的环境变量
三台机器执行以下命令添加spark环境变量
vim /etc/profile
export SPARK_HOME=/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 export PATH=:$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH
三台机器执行source命令让修改立即生效
source /etc/profile
2、spark on yarn client模式提交任务
1、任务提交命令
node03服务器执行以下命令，将spark计算任务提交到yarn集群上面去
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar 10
2、任务提交过程解析
1、客户端提交一个Application，在客户端启动一个Driver进程。
2、Driver进程会向RS(ResourceManager)发送请求，启动AM(ApplicationMaster)的资源。
3、RS收到请求，随机选择一台NM(NodeManager)启动AM。这里的NM相当于Standalone中的Worker节点。
4、AM启动后，会向RS请求一批container资源，用于启动Executor.
RS会找到一批NM返回给AM,用于启动Executor。
5、AM会向NM发送命令启动Executor。
6、Executor启动后，会反向注册给Driver，Driver发送task到Executor,执行情况和结果返回给Driver端。
总结：
1、Yarn-client模式是适用于测试，因为Driver运行在本地，Driver会与yarn集群中的Executor进行大量的通信，会造成客户机网卡流量的大量增加.
2、 ApplicationMaster的作用：
为当前的Application申请资源
给NodeManager发送消息启动Executor。
注意：ApplicationMaster有launchExecutor和申请资源的功能，并没有作业调度的功能。
3、spark on yarn cluster模式提交任务
1、任务提交命令
node03执行以下命令提交spark任务
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
2、任务提交过程解析
bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 1g --executor-memory 1g --executor-cores 1 /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar 10
执行流程
1、客户机提交Application应用程序，发送请求到RS(ResourceManager),请求启动AM(ApplicationMaster)。
2、RS收到请求后随机在一台NM(NodeManager)上启动AM（相当于Driver端）。
3、AM启动，AM发送请求到RS，请求一批container用于启动Executor。
4、RS返回一批NM节点给AM。
5、AM连接到NM,发送请求到NM启动Executor。
6、Executor反向注册到AM所在的节点的Driver。Driver发送task到Executor。
总结
1、Yarn-Cluster主要用于生产环境中，因为Driver运行在Yarn集群中某一台nodeManager中，每次提交任务的Driver所在的机器都是随机的，不会产生某一台机器网卡流量激增的现象，缺点是任务提交后不能看到日志。只能通过yarn查看日志。
2.ApplicationMaster的作用：
为当前的Application申请资源
给nodemanager发送消息 启动Excutor。
任务调度。(这里和client模式的区别是AM具有调度能力，因为其就是Driver端，包含Driver进程)
3、 停止集群任务命令：yarn application -kill applicationID
3、访问历史日志界面
http://node01:8088/cluster/app/applicationId
注意：如果出现以下这种情况，
这是因为我们在yarn-site.xml当中缺少一行配置，在所有机器的yarn-site.xml当中添加以下配置，然后重启yarn集群以及hadoop的jobHistoryserver即可
第一步：三台机器修改yarn-site.xml配置文件
node01修改yarn-site.xml
cd /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop vim yarn-site.xml
<property> <name>yarn.log.server.url</name> <value>http://node01:19888/jobhistory/logs</value> </property>
node01执行以下命令，将修改后的yarn-site.xml同步到其他机器
cd /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop scp yarn-site.xml node02:$PWD scp yarn-site.xml node03:$PWD
第二步：重新启动yarn以及jobhistoryServer服务
node01执行以下命令重启yarn集群以及jobhistoryserver服务
停止yarn集群以及jobhistoryserver服务
cd /export/servers/hadoop-2.6.0-cdh5.14.0/ sbin/stop-yarn.sh sbin/mr-jobhistory-daemon.sh stop historyserver
重新启动yarn集群以及jobhistoryserver服务
cd /export/servers/hadoop-2.6.0-cdh5.14.0/ sbin/start-yarn.sh sbin/mr-jobhistory-daemon.sh start historyserver
第三步：重新提交spark任务到yarn集群上面去
node03执行以下命令重新提价任务
cd /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 1g --executor-memory 1g --executor-cores 1 /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar 10
然后就可以查看到spark任务提交的日志了