Spark安装部署| 运行模式

 1. Spark概述

一种基于内存的快速、通用、可扩展的大数据分析引擎；

内置模块：

　　Spark Core(封装了rdd、任务调度、内存管理、错误恢复、与存储系统交互)； 

　　Spark SQL(处理结构化数据)、

　　Spark Streaming(对实时数据进行流式计算) 、

　　Spark Mlib（机器学习程序库包括分类、回归、聚合、协同过滤等）、

　　Spark GraghX（图计算）；

　　独立调度器、Yarn、Mesos

特点：

快( 基于内存（而MR是基于磁盘）、多线程模型（而mapReduce是基于多进程的，每个MR都是独立的JVM进程）、可进行迭代计算（而hadoop需要多个mr串行） )、

易用(支持java、scala、python等的API，支持超过80多种算法，支持交互式的 Python 和 Scala 的 shell，可方便地在shell中使用spark集群来验证解决问题，而不像以前需要打包上传验证)、

通用（spark提供了统一解决方案，可用于批处理、交互式查询（spark sql） 实时流式处理（spark streaming）机器学习和图计算，可在同一应用中无缝使用）

兼容性（与其他开源产品的融合，如hadoop的yarn、Mesos、HDFS、Hbase等）；

http://spark.apache.org/   文档查看地址 https://spark.apache.org/docs/2.1.1/

集群角色

 Master和Workers

1）Master

Spark特有资源调度系统的Leader。掌管着整个集群的资源信息，类似于Yarn框架中的ResourceManager，主要功能：

（1）监听Worker，看Worker是否正常工作；        

（2）Master对Worker、Application等的管理(接收worker的注册并管理所有的worker，接收client提交的application，(FIFO)调度等待的application并向worker提交)。

2）Worker

Spark特有资源调度系统的Slave，有多个。每个Slave掌管着所在节点的资源信息，类似于Yarn框架中的NodeManager，主要功能：

（1）通过RegisterWorker注册到Master；

（2）定时发送心跳给Master；

 （3）根据master发送的application配置进程环境，并启动StandaloneExecutorBackend(执行Task所需的临时进程)

Driver和Executor

1）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

2）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，并将状态信息返回给驱动器进程；

（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。

总结：Master和Worker是Spark的守护进程，即Spark在特定模式下正常运行所必须的进程。Driver和Executor是临时进程，当有具体任务提交到Spark集群才会开启的进程。

 1. Local模式-本地单机

Linux中查看有多少核数：
[kris@hadoop101 ~]$ cat /proc/cpuinfo 
...
[kris@hadoop101 ~]$ cat /proc/cpuinfo | grep 'processor' | wc -l
8

 Local模式

在一台计算机,可以设置Master； （提交任务时需要指定--master）Local模式又分为：
① Local所有计算都运行在一个线程中（单节点单线程），没有任何并行计算；
②Local[K] ，如local[4]即运行4个Worker线程（单机也可以并行有多个线程），可指定几个线程来运行计算，通常CPU有几个Core就执行几个线程，最大化利用cpu的计算能力；
③Local[*]， 直接帮你安装Cpu最多Cores来设置线程数，这种是默认的；

bin/spark-submit   //提供任务的命令
--class org.apache.spark.examples.SparkPi   //指定运行jar的主类
--master //它有默认值是local[*] =>spark://host:port, mesos://host:port, yarn, or local.
--executor-memory 1G  //指定每个executor可用内存
--total-executor-cores 2  指定executor总核数
./examples/jars/spark-examples_2.11-2.1.1.jar   \jar包
100   //main方法中的args参数

./bin/spark-submit 回车可查看所有的参数

[kris@hadoop101 spark-local]$ bin/spark-shell 
Spark context Web UI available at http://192.168.1.101:4040
Spark context available as 'sc' (master = local[*], app id = local-1554255531204). ##spark core的入口sc
Spark session available as 'spark'.  ##它是spark sql程序的入口
再起一个spark-shell会报错：
    spark sql也有一个默认的元数据也是存在derby数据库里边
 Failed to start database 'metastore_db' with class loader org.apache.spark.sql.hive.client.IsolatedClientLoader$$anon$1@63e5b8aa, see the next exception for details.
 Caused by: org.apache.derby.iapi.error.StandardException: Another instance of Derby may have already booted the datab

 查看页面:hadoop101:4040 
 
scala> sc.textFile("./wc.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((Hello,3), (smile,1), (java,2), (world,1), (kris,1))

提交任务(或者开启spark-shell)的时候会有driver和executor进程，Local模式下它被封装到了SparkSubmit中

提交任务分析

driver和executor是干活的；

① Client提交任务--->②起一个Driver ---> ③注册应用程序，申请资源--资源管理者有 （Master（Standalone模式）、ResourceManage（yarn模式））----->④拿到资源后去其他节点启动Executor----> ⑤Executor会反向注册给Driver汇报；

⑥（把提交的jar包做任务切分，把任务发给具体执行的节点Executor）--->Driver会进行初始化sc、任务划分、任务调度 <===>Executor具体执行任务（负责具体执行任务、textFile、flatMap、map...）

 ⑦ Driver把任务发到Executor不一定会执行，有可能资源cpu或内存不够了或者executor挂了，spark会有一个容错机制，某一个挂了可转移到其他的Executor；

最后任务跑完了，Driver会向资源管理者申请注销（Executor也会注销）

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。

2. Standalone模式--完全分布式

概述

构建一个由Master+Slave构成的Spark集群，Spark运行在集群中；它的调度器是其实就是Master

提交任务时需要有一个客户端Client，Master和Worker是守护进程它们是资源管理系统，提交任务（运行spark-shell或者spark-submit）之前它们就已经启动了；

①提交--->起Driver就是初始化SparkContext，然后启动Executor时需要资源；②向Master申请资源（即注册），启动ExecutorBackend

启动Executor---->反向注册给Driver汇报信息；

③ Driver划分切分任务把Task发送给Executor，如果Executor会有一个容错机制，Executor运行时会给Driver发送报告Task运行状态直至结束；

④最后任务运行完之后driver向master申请注销，Executor也会注销掉； 

不一定非要在Client中起Driver（SparkContext），cluster模式，具体在哪个节点起sc由Master决定，随机的在worker节点上选择一个一个；

Driver在哪个节点起的原因：driver和executor之间是有通讯，每个 executor都要向driver汇报信息，互相通讯（消耗内存、资源+cpu数）； 所有的executor节点都去跟driver做通讯，客户端的压力就会特别大；

Client是本地调试用，输入之后马上能看到输入的结果；

　　1）修改slave文件，添加work节点：

[kris@hadoop101 conf]$ vim slaves
hadoop101
hadoop102
hadoop103

　　2）修改spark-env.sh文件，添加如下配置：

在高可用集群需把下面内容这给注释掉：

#SPARK_MASTER_HOST=hadoop101

#SPARK_MASTER_PORT=7077

[kris@hadoop101 conf]$ vim spark-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144  ##如果遇到JAVA_HOME not set异常时可配置
SPARK_MASTER_HOST=hadoop101
SPARK_MASTER_PORT=7077
#配置历史服务
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080
-Dspark.history.retainedApplications=30 
-Dspark.history.fs.logDirectory=hdfs://hadoop101:9000/directory"
#配置高可用
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER 
-Dspark.deploy.zookeeper.url=hadoop101,hadoop102,hadoop103 
-Dspark.deploy.zookeeper.dir=/spark"

　　3）修改spark-default.conf文件，开启Log：

[kris@hadoop101 conf]$ vi spark-defaults.conf
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://hadoop101:9000/directory

　　注意：HDFS上的目录需要提前存在。  hadoop fs -mkdir /directory

4） 分发spark包 分发的原因，因为这种模式下的资源调度是master和worker，各个节点需要自己去启进程；
[kris@hadoop101 module]$ xsync spark/spark-standalone

　  5）启动

② [kris@hadoop101 spark]$ sbin/start-all.sh
网页查看Master：hadoop101:8080 
可看到Status:ALIVE；Memory in use 等信息

高可用集群的启动，要① 先启动zookeeper；
在hadoop102上（也可以是其他节点）单独启动master节点
[kris@hadoop102 spark]$ sbin/start-master.sh

启动历史服务之前要先启动 ③ start-dfs.sh
sbin/start-history-server.sh   --->HistoryServer

查看历史服务hadoop101:18080

官方求PI案例　　

##运行之前上边的① ② ③步都要启动其他； 默认的是client模式 
[kris@hadoop101 spark]$ bin/spark-submit 
--class org.apache.spark.examples.SparkPi 
--master spark://hadoop101:7077 
--executor-memory 1G 
--total-executor-cores 2 
./examples/jars/spark-examples_2.11-2.1.1.jar 
100

===>>
Pi is roughly 3.1417439141743913
启动spark shell
/opt/module/spark/bin/spark-shell 
--master spark://hadoop101:7077 
--executor-memory 1g 
--total-executor-cores 2
　　只要提交了任务就可以看到driver和executor，driver被封装在了SparkSubmit里边；CoarseGrainedExecutorBackend就是启动的executor
提交任务提交给哪个executor都是有可能的

执行WordCount程序
scala>sc.textFile("./wc.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((Hello,2), (World,1), (java,2), (sbase,1), (spark,2), (Hi,1))

[kris@hadoop101 ~]$ jpsall 
-------hadoop101-------
6675 DataNode
5971 Master
6100 Worker
7463 CoarseGrainedExecutorBackend
7895 Jps
7368 SparkSubmit
6527 NameNode
5855 QuorumPeerMain
-------hadoop102-------
4647 CoarseGrainedExecutorBackend
4075 QuorumPeerMain
4875 Jps
4380 DataNode
4188 Worker
-------hadoop103-------
4432 SecondaryNameNode
4353 DataNode
4085 QuorumPeerMain
4198 Worker
4778 Jps

 在Standalone--cluster模式下

[kris@hadoop101 spark-standalone]$ bin/spark-submit 
--class org.apache.spark.examples.SparkPi 
--master spark://hadoop101:7077 
--deploy-mode cluster 
--executor-memory 1G 
--total-executor-cores 2 
./examples/jars/spark-examples_2.11-2.1.1.jar 
100
任务未执行完时的进程：
[kris@hadoop101 spark-standalone]$ jpsall 
-------hadoop101-------
16740 CoarseGrainedExecutorBackend
16404 HistoryServer
16006 NameNode
15686 Master
16842 Jps
15805 Worker
16127 DataNode
-------hadoop102-------
10240 CoarseGrainedExecutorBackend
10021 DataNode
9911  Worker
10334 Jps
-------hadoop103-------
9824 DataNode
9714 Worker
9944 SecondaryNameNode
10299 Jps
10093 DriverWrapper  ##cluster 模式下的Driver

任务执行完的进程：
[kris@hadoop101 spark-standalone]$ jpsall 
-------hadoop101-------
16404 HistoryServer
16006 NameNode
15686 Master
15805 Worker
17166 Jps
16127 DataNode
-------hadoop102-------
10021 DataNode
9911 Worker
10447 Jps
-------hadoop103-------
10416 Jps
9824 DataNode
9714 Worker
9944 SecondaryNameNode

spark-shell的 spark HA集群访问，前提是另外一个Master启起来了； 

/opt/module/spark/bin/spark-shell 
--master spark://hadoop101:7077,hadoop102:7077 
--executor-memory 1g 
--total-executor-cores 2

 把其中ACTIVE状态节点的kill掉，另外一个Master的状态将从standby模式--->active状态；

可验证下：

scala>sc.textFile("./wc.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((Hello,2), (World,1), (java,2), (sbase,1), (spark,2), (Hi,1))

提交任务时：
  --deploy-mode DEPLOY_MODE   Whether to launch the driver program locally ("client") or
                              on one of the worker machines inside the cluster ("cluster")
                              (Default: client).
client和cluster的区别：
    SparkContext的位置不同(也就是运行Driver的位置不一样)，由Master决定，随机的在其他节点初始化一个sc
Driver和Executor之间会有通信，通信需要消耗资源内存cpu等，所有的executor去和客户端(如果是client模式，Driver是启在Client上的)去通信，
客户端的压力会非常大，如果有大量的executor再加上提交多个任务就启动多个Driver，那么Client单点就挂掉被拖垮；
cluster模式，每次提交任务时的sc的位置分散在不同节点上，分担了压力，
Client本地调试时候用，可以看到输出的结果，如可看到打印的π

--deploy-mode DEPLOY_MODE   Whether to launch the driver program locally ("client") or
                              on one of the worker machines inside the cluster ("cluster")
                              (Default: client).
 --executor-cores NUM        Number of cores per executor. (Default: 1 in YARN mode,
                              or all available cores on the worker in standalone mode)

bin/spark-submit 
--class org.apache.spark.examples.SparkPi 
--master spark://hadoop101:7077 
--deploy-mode cluster 
--executor-memory 1G 
--total-executor-cores 2    ##总的是2，默认1个cores/executor--->推导出有2/1个executor；可控制executor的数量；
./examples/jars/spark-examples_2.11-2.1.1.jar 
100

cluster模式下，driver叫DriverWrapper

3. Yarn模式

概述

之前的standalone模式，是自己Master和worker管理资源，分发是为了在各个节点启进程；yarn模式资源由RM、NM来管理

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AM（APPMaster）适用于生产环境。分担压力不会拖垮某个节点；

 提交任务之前，客户端Client、ResourceManager、NodeManager都是要启动好的；

提交任务，App Submit； RM选择一个NM启动AM，AM来启动Driver（即初始化sc），yarn的cluster模式SparkAppMaster（用来申请资源，启动driver）和SparkContext在一个进程里边； 

AM（SparkAppMaster）向RM申请启动Executor；（默认情况下一个节点启一个executor这样子负载比较均衡，也可以启两个），executor也是有个反向注册的过程；

切分分配任务，同时executor上报集群状况；跑完之后申请注销；

安装使用

1）修改hadoop配置文件yarn-site.xml,添加如下内容：

[kris@hadoop101 hadoop]$ vim 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）配置历史服务JobHistoryServer| 配置日志查看功能

修改spark-env.sh，添加如下配置：

[kris@hadoop101 conf]$ vim spark-env.sh

export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop

# 配置JobHistoryServer  注意：HDFS上的目录需要提前存在。
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080
-Dspark.history.retainedApplications=30 
-Dspark.history.fs.logDirectory=hdfs://hadoop101:9000/directory"

   从这里看到历史日志：http://hadoop102:8088/cluster点击直接跳转到spark中  http://hadoop101:18080/history/application_1554294467331_0001/jobs/

[kris@hadoop101 conf]$ vim spark-defaults.conf 

#修改spark-default.conf文件，开启Log：
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://hadoop101:9000/directory
# 日志查看 
spark.yarn.historyServer.address=hadoop101:18080
spark.history.ui.port=18080

提交任务到Yarn执行
[kris@hadoop101 spark-yarn]$ 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

[kris@hadoop101 spark-yarn]$ bin/spark-shell --master yarn  ##shell只能用client模式启动，默认的也是这种模式； 
Spark context Web UI available at http://192.168.1.101:4040
Spark context available as 'sc' (master = yarn, app id = application_1554290192113_0004).
Spark session available as 'spark'.

-------hadoop101-------
25920 NodeManager
25751 DataNode
28075 SparkSubmit  ##Driver还是被封装到这里边的
28252 Jps
25469 QuorumPeerMain
25630 NameNode
-------hadoop102-------
14995 CoarseGrainedExecutorBackend
15076 Jps
13447 DataNode
13672 NodeManager
13369 QuorumPeerMain
13549 ResourceManager
14942 ExecutorLauncher 　　　　#Executor启动器，就是AppMaster,Cluster模式，AM和sc在一个进程里边的，这种模式AM的任务是：既可以申请资源又可以做任务切分和调度；
　　　　　　　　　　　　　　　　　　Client模式它们就不在一个进程了,由RM随机选择一个节点来启动AM，这种模式它的作用仅仅是用来申请资源去启动Executor；
-------hadoop103-------
13536 DataNode
14610 CoarseGrainedExecutorBackend
14691 Jps
13638 NodeManager
13464 QuorumPeerMain
13710 SecondaryNameNode

yarn--cluster模式

[kris@hadoop101 spark-yarn]$ bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster ./examples/jars/spark-examples_2.11-2.1.1.jar

在任务未完成之前的进程：
[kris@hadoop101 spark-yarn]$ jpsall 
-------hadoop101-------
13328 SparkSubmit
12146 NodeManager
13706 CoarseGrainedExecutorBackend
12555 NameNode
12702 DataNode
13951 Jps
-------hadoop102-------
6864 ResourceManager
8101 Jps
7403 DataNode
6990 NodeManager
-------hadoop103-------
7984 ApplicationMaster   ## Yarn-Cluster模式下SparkAppMaster和Sparkcontext即Driver是在一个进程的
8432 Jps
7560 SecondaryNameNode
8158 CoarseGrainedExecutorBackend
7230 NodeManager
7438 DataNode

任务完成之后的进程：
[kris@hadoop101 spark-yarn]$ jpsall 
-------hadoop101-------
12146 NodeManager
12555 NameNode
12702 DataNode
14031 Jps
-------hadoop102-------
6864 ResourceManager
8153 Jps
7403 DataNode
6990 NodeManager
-------hadoop103-------
7560 SecondaryNameNode
8537 Jps
7230 NodeManager
7438 DataNode

 [kris@hadoop101 spark-yarn]$ sbin/start-history-server.sh   ##开启历史服务

提交任务到Yarn执行
[kris@hadoop101 spark-yarn]$ 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

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。

几种模式对比

package com.atguigu.spark
import org.apache.spark.{SparkConf, SparkContext}
object WordCount {
  def main(args: Array[String]): Unit = {
    //1.创建SparkConf并设置App名称
    val conf = new SparkConf().setAppName("WordCount")
    //2.创建SparkContext，该对象是提交Spark App的入口
    val context = new SparkContext(conf)
    //3.使用sc创建RDD并执行相应的transformation和action
    context.textFile(args(0)).flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_, 1).sortBy(_._2, false).saveAsTextFile(args(1))
    //4.关闭连接
    context.stop()
  }
}

 /wc.txt必须在HDFS上有这个文件

[kris@hadoop101 spark-yarn]$ hadoop fs -put wc.txt /
[kris@hadoop101 spark-yarn]$ bin/spark-submit --class com.atguigu.spark.WordCount --master yarn --deploy-mode client /opt/module/spark/spark-yarn/WordCount.jar /wc.txt /out

结果：
(Hello,3)
(smile,2)
(kris,2)
(alex,1)
(hi,1)