Spark的StandAlone模式原理和安装、Spark-on-YARN的理解

Spark是一个内存迭代式运算框架，通过RDD来描述数据从哪里来，数据用那个算子计算，计算完的数据保存到哪里，RDD之间的依赖关系。他只是一个运算框架，和storm一样只做运算，不做存储。

Spark程序可以运行在Yarn、standalone、mesos等平台上，standalone是Spark提供的一个分布式运行平台，分为master和worker两个角色。

Standalone模式安装：只要修改一个文件即可

Spark-env.sh为： （master没有做HA）

#指定JAVA_HOME位置
export JAVA_HOME=/usr/jdk
#不做HA，需要指定spark老大Master的IP
export SPARK_MASTER_IP=master1
#指定spark的Master的端口
export SPARK_MASTER_PORT=7077
#指定可用的CPU内核数量(默认:所有可用)
#export SPARK_WORKER_CORES=1
#作业可使用的内存容量，默认格式为1000m或者2g(默认:所有RAM去掉给操作系统用的1GB)
#export SPARK_WORKER_MEMORY=500m
#机器上运行worker数量 (默认:1)。当你有一个非常强大的计算机的时可启动多个worker进程。
#export SPARK_WORKER_INSTANCES=1
#设置hadoop集群的配置文件所在目录
#export HADOOP_CONF_DIR=/home/hadoop/hadoop/etc/hadoop
#(可选)配置两个Spark Master实现高可靠(首先要配置zookeeper集群，在spark-env.sh添加SPARK_DAEMON_JAVA_OPTS)
#export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=master1ha:2181,master2:2181,master2ha:2181 -Dspark.deploy.zookeeper.dir=/spark"

Spark-env.sh为： （master做HA）

#指定JAVA_HOME位置
export JAVA_HOME=/usr/jdk
#做HA，不能指定spark老大Master的IP，让zookeeper来选择
#export SPARK_MASTER_IP=master1
#指定spark的Master的端口
export SPARK_MASTER_PORT=7077
#指定可用的CPU内核数量(默认:所有可用)
#export SPARK_WORKER_CORES=1
#作业可使用的内存容量，默认格式为1000m或者2g(默认:所有RAM去掉给操作系统用的1GB)
#export SPARK_WORKER_MEMORY=500m
#机器上运行worker数量 (默认:1)。当你有一个非常强大的计算机的时可启动多个worker进程。
#export SPARK_WORKER_INSTANCES=1
#设置hadoop集群的配置文件所在目录
#export HADOOP_CONF_DIR=/home/hadoop/hadoop/etc/hadoop
#(可选)配置两个Spark Master实现高可靠(首先要配置zookeeper集群，在spark-env.sh添加SPARK_DAEMON_JAVA_OPTS)
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=master1ha:2181,master2:2181,master2ha:2181 -Dspark.deploy.zookeeper.dir=/spark"


其实很简单，配置文件只需要配置

export JAVA_HOME=/usr/jdk
export SPARK_MASTER_IP=master1
export SPARK_MASTER_PORT=7077


或者

export JAVA_HOME=/usr/jdk
export SPARK_MASTER_PORT=7077
//指定zookeeper的路径，让他们去选择主master
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=master1ha:2181,master2:2181,master2ha:2181 -Dspark.deploy.zookeeper.dir=/spark"


思考：Spark需要从HDFS上读取数据，又不在这里配置hadoop的安装目录，它是怎么知道HDFS的NameNode在哪里？

答案：

• 1、如果在这里配置hadoop的安装路径，意味着每一台Spark机器都要安装hadoop软件。这样对软件的依赖太强，其实如果是指定hadoop的安装目录，莫非就是想读取他的配置文件，然后知道NameNode在哪里即可，因为它是通过HDFS的API来对HDFS进行操作的。

• 2、Spark的解决方案很简单也很直白

  • 把你们的配置文件都扔到我的conf目录下我就知道怎么去和NameNode连接了，同样也知道如何去和yarn连接，而且还知道如何去使用hive的仓库元数据。

  • 整合HDFS之后，默认路径就会是那个HDFS的NameNode路径了。如果要读取本地的数据，那么需要指定file:///root/words.txt

  • 只要你们把配置文件给我，我什么都知道。哈哈哈哈哈哈哈哈哈哈哈哈！！！！

---

问题：上述的standalone模式是Spark提供的一种方式，但是很多公司做大数据原本就有了Yarn集群了，如何把Spark也运行在Yarn上，从而省去Spark集群？

1、Spark-On-Yarn的介绍：

• Spark-ON-Yarn之后，不在需要Spark集群了，也就是其他机器上不需要安装Spark框架程序，只需要有一台机器安装Spark+hadoop作为客户端即可，有了hadoop的安装目录，就知道resourceManager在哪里。

• 还有就是Yarn集群。

Spark-On-Yarn配置

Spark-env.sh为：

#指定JAVA_HOME位置
export JAVA_HOME=/usr/jdk#指定hadoop的安装目录在哪里，因为他要读取hadoop的配置文件，从而知道resourceManager在哪里
export HADOOP_CONF_DIR=/usr/mysoft/hadoop/etc/


Spark-On-Yarn运行方式有两种==>cluster 、 client

• 1、cluster模式（在yarn上启动一个appmaster作为Driver，完成DAGscheduler和TaskScheduler，也就是安装Spark的机器就是一个“仅仅上传jar包到HDFS的角色”）

  cluster模式：Driver程序在YARN中运行，应用的运行结果不能在客户端显示，所以最好运行那些将结果最终保存在外部存储介质（如HDFS、Redis、Mysql）而非stdout输出的应用程序，客户端的终端显示的仅是作为YARN的job的简单运行状况。

  ./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
lib/spark-examples*.jar \
10


• 1.1运行原理图如下：

• 1.2具体步骤

  Spark Driver首先作为一个ApplicationMaster在YARN集群中启动，客户端提交给ResourceManager的每一个job都会在集群的NodeManager节点上分配一个唯一的ApplicationMaster，由该ApplicationMaster管理全生命周期的应用。具体过程：

  1. 由client向ResourceManager提交请求，并上传jar到HDFS上 这期间包括四个步骤： a).连接到RM b).从RM的ASM（ApplicationsManager ）中获得metric、queue和resource等信息。 c). upload app jar and spark-assembly jar d).设置运行环境和container上下文（launch-container.sh等脚本)

  2. ResouceManager向NodeManager申请资源，创建Spark ApplicationMaster（每个SparkContext都有一个ApplicationMaster）

  3. NodeManager启动ApplicationMaster，并向ResourceManager AsM注册
  4. ApplicationMaster从HDFS中找到jar文件，启动SparkContext、DAGscheduler和YARN Cluster Scheduler
  5. ResourceManager向ResourceManager AsM注册申请container资源
  6. ResourceManager通知NodeManager分配Container，这时可以收到来自ASM关于container的报告。（每个container对应一个executor）
  7. Spark ApplicationMaster直接和container（executor）进行交互，完成这个分布式任务。

---

• 2、client模式（这个是后Spark提交任务程序才是整整的客户端，它充当Driver，负责DAGScheduler和Taskscheduler等）

  client模式：Driver运行在Client上，应用程序运行结果会在客户端显示，所有适合运行结果有输出的应用程序（如spark-shell）

  ./bin/spark-submit --class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
lib/spark-examples*.jar \
10


• 2.1运行原理图如下：

• 2.2具体步骤

  在client模式下，Driver运行在Client上，通过ApplicationMaster向RM获取资源。本地Driver负责与所有的executor container进行交互，并将最后的结果汇总。结束掉终端，相当于kill掉这个spark应用。一般来说，如果运行的结果仅仅返回到terminal上时需要配置这个。

  客户端的Driver将应用提交给Yarn后，Yarn会先后启动ApplicationMaster和executor，另外ApplicationMaster和executor都 是装载在container里运行，container默认的内存是1G，ApplicationMaster分配的内存是driver- memory，executor分配的内存是executor-memory。同时，因为Driver在客户端，所以程序的运行结果可以在客户端显 示，Driver以进程名为SparkSubmit的形式存在。

总结：

• 1、Spark可以运行在standalone、yarn、mesos等资源调度平台上。

• 2、当运行在yarn上时，有两种方式，cluster模式和client模式，不同的场景用不同的模式，比如spark-shell必须使用client模式，因为要进行交互式处理。