【Spark集群部署系列四】Spark on YARN介绍和环境部署

简介

引言：

通常如果我们想要一个稳定的生产Spark环境, 那么最优的选择就是构建:HA StandAlone集

群.。不过在企业中, 服务器的资源总是紧张的, 许多企业不管做什么业务,都基本上会有Hadoop集群. 也就是会有YARN集群。

对于企业来说,在已有YARN集群的前提下在单独准备Spark StandAlone集群,对 资源的利用就不高 . 所以, 在企业中,多 数场景下,会将 Spark 运行到 YARN 集群中。

YARN本身是一个资源调度框架, 负责对运行在内部的计算框架进行资源调度管理。

作为典型的计算框架, Spark本身也是可以直接运行在YARN中, 并接受YARN的调度的。

 Spark On Yarn的本质：

 简而言之：就是让YARN替代Spark的Master和Worker的资源管理工作，只负责运行就行

Master角色由YARN的ResourceManager担任.

Worker角色由YARN的NodeManager担任.

Driver角色运行在 YARN 容器 内 或 提交任务的 客户端进程 中

真正干活的 Executor 运行在 YARN 提供的容器 内

Spark On Yarn部署需要 ：

所以, 对于Spark On YARN, 无需部署Spark集群, 实际上，通常的做法是在集群中的一个或几个节点上安装Spark，然后通过YARN调度器来分配和管理Spark应用程序的执行。

1.需要HDFS,YARN集群已经安装了:

HDFS集群部署参考【hadoop集群部署一】http://t.csdnimg.cn/TXasCYARN集群部署参考【hadoop集群部署二】YARN,MapReducehttp://t.csdnimg.cn/5Jf78

2.需要Spark客户端工具, 比如spark-submit, 可以将Spark程序提交到YARN中

3.需要被提交的代码程序:，如spark/examples/src/main/python/pi.py此示例程序,或我们后续自己开发的Spark任务

 安装spark:

-单点安装: 可以在集群中的一个节点上安装Spark。这个节点可以是YARN集群中的任何一台机器，通常是NameNode或其他具有较高资源的节点。

-多点安装: 在某些情况下，可能会选择在多个节点上安装Spark，以减少网络传输延迟。但这并不是必须的，通常单个节点上的安装就足够了。

本教程以单点安装举例，部署机器node1。多点安装基本就是复制单点安装的Spark安装部署。

是否需要安装Python环境？

pache Spark on YARN（Yet Another Resource Negotiator）模式并不直接依赖于Python环境。Spark on YARN主要是指Spark集群如何管理和分配资源的方式，它通过YARN（这是Hadoop的一个组件）来调度资源。这种模式下，Spark可以使用Java、Scala或Python等语言编写的应用程序。

但是，如果你的Spark作业是用Python编写的（例如使用PySpark），那么需要确保集群中的每个节点都安装了相应的Python环境，并且有正确的版本以及所需的库。

总结一下：

- 对于Spark本身：不需要Python环境。Spark可以使用Java或Scala编译并部署到YARN上，这与Python环境无关。

- 对于Python编写的Spark作业：
  - 如果你的Spark作业使用Python（PySpark），则每个执行作业的节点都需要安装Python及其相关库

 需要安装python的参考：

该教程为StandAlone模式，内含Anaconda安装，往下翻，找到Anaconda的安装部署http://t.csdnimg.cn/5hvKM

Spark安装部署【单点安装】（node1，根据情况选择，多点安装请套用单点安装）：

 提示：如果之前部署过Spark Local（你想要部署的机器上部署过Spark），或者StandALone，又或是StandALone HA，Spark安装可以不用管。直接跳到Spark On Yarn 部署的环节然后往下走就行。

上传解压spark

(我的是 spark-3.2.0-bin-hadoop3.2.tgz)

 通过什么工具不管，能上传就行。

找到spark上传的位置,cd 进到该目录，不进去也行，自己在前面加路径哈！解压。

  tar -zxvf spark-3.2.0-bin-hadoop3.2.tgz -C /export/server spark-3.2.0-bin-hadoop3.2/

-C 参数后跟解压到哪（路径）

cd /export/server    #填你自己解压的路径

  建立软链接

 ln -s spark-3.2.0-bin-hadoop3.2/ spark

ll

配置环境变量

vim /etc/profile

export SPARK_HOME=/export/server/spark
 
# 如果不用pyspark可以不用管，pyspark运行的python虚拟环境路径
export PYSPARK_PYTHON=/export/server/anaconda3/envs/pyspark/bin/python3.8
  
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

 

:wq

source /etc/profile

vim /root/.bashrc

添加 

export JAVA_HOME=/export/server/jdk
 
# 不用pyspark的不用管，和/etc/profile文件一样。
export PYSPARK_PYTHON=/export/server/anaconda3/envs/pyspark/bin/python3.8   

:wq

Spark On Yarn 部署

修改配置文件：

cd /export/server/spark/conf     # 注意路径

vim spark-env.sh

## HADOOP软件配置文件目录，读取HDFS上文件和运行YARN集群
HADOOP_CONF_DIR=/export/server/hadoop/etc/hadoop
YARN_CONF_DIR=/export/server/hadoop/etc/hadoop

:wq

cd ..

tip : 多点安装，想要安装的机器都要完成上述操作，可以分发 （一般来说单台机器就够了）

tip:请保证HDFS,YARN，以及相关的历史服务器已经启动

start-dfs.sh
start-yarn.sh
$HADOOP_HOME/bin/mapred --daemon start historyserver
sbin/start-history-server.sh 

 运行

启功pyspark客户端（需要python环境）

bin/pyspark --master yarn

启动scala交互式客户端

bin/spark-shell --master yarn

 提交python程序，需要python环境（spark-submit）

 bin/spark-submit --master yarn /export/server/spark/examples/src/main/python/pi.py 10

 

Web UI 

node1:8088

 Spark on Yarn部署模式

 Spark On YARN是有两种运行模式的,一种是Cluster模式一种是Client模式.

这两种模式的区别就是Driver运行的位置。

Cluster模式

即:Driver运行在YARN容器内部, 和ApplicationMaster在同一个容器内。

 

bin/spark-submit --master yarn\
--deploy-mode cluster \
--driver-memory 521m \
--executor-memory 512m \
--num-executors 3 \
--total-executor-cores 3 \
/export/server/spark/examples/src/main/python/pi.py 10

 

Client模式

即:Driver运行在客户端进程中, 比如Driver运行在spark-submit程序的进程中 

 

bin/spark-submit --master yarn\
--deploy-mode client \
--driver-memory 521m \
--executor-memory 512m \
--num-executors 3 \
--total-executor-cores 3 \
/export/server/spark/examples/src/main/python/pi.py 10

Client模式和Cluster模式最最本质的区别是：Driver程序运行在哪里。

 Client模式：学习测试时使用，生产不推荐(要用也可以,性能略低,稳定性略低)

1.Driver运行在Client上,和集群的通信成本高

2.Driver输出结果会在客户端显示

 Cluster模式：生产环境中使用该模式

1.Driver程序在YARN集群中，和集群的通信成本低

2.Driver输出结果不能在客户端显示

3.该模式下Driver运行ApplicattionMaster这个节点上,由Yarn管理，如果出现问题，yarn会重启

ApplicattionMaster(Driver)