Spark集群搭建的三种方式详解

国科大学习生活（期末复习资料、课程大作业解析、学习文档等）: 文章专栏（点击跳转）
大数据开发学习文档（分布式文件系统的实现，大数据生态圈学习文档等）: 文章专栏（点击跳转）

1、Spark集群常见运行环境

• Local 模式：
  在本地模式下，Spark 将作为一个单独的 Java 进程在本地运行，不需要启动额外的集群资源。本地模式适用于开发和调试，可以快速运行 Spark 应用程序并查看结果，而不需要配置和管理集群资源。

• Standalone 模式：
  Standalone 模式是 Spark 提供的最简单的部署方式，也是默认的部署模式。在 Standalone 模式下，Spark 自身作为一个独立的集群运行，可以通过启动 Spark Master 和 Spark Worker 进程来启动一个完整的 Spark 集群。Standalone 模式适用于开发和测试环境，也可以用于小型生产环境。

• Apache Hadoop YARN：
  YARN（Yet Another Resource Negotiator）是 Hadoop 2.x 提供的资源管理器，用于在 Hadoop 集群上管理资源和调度作业。
  Spark 可以作为 YARN 上的一个应用程序运行，通过 YARN 向 Hadoop 集群申请资源并执行作业。在 YARN 上运行 Spark 可以充分利用 Hadoop 集群的资源管理和调度能力，适用于大规模生产环境。

• Mesos & K8S（Kubernetes） 模式
  

• Windows模式：
  在自己学习时，每次都需要启动虚拟机，启动集群，这是一个比较繁琐的过程，并且会占大量的系统资源，导致系统执行变慢，不仅仅影响学习效果，也影响学习进度，Spark 非常暖心地提供了可以在windows系统下启动本地集群的方式，这样，在不使用虚拟机的情况下，也能学习Spark的基本使用！

2、环境搭建详细过程

1、Local模式

所谓的Local模式，就是不需要其他任何节点资源就可以在本地执行Spark代码的环境，一般用于教学，调试，演示等，在IDEA中运行代码的环境我们称之为开发环境，不太一样。
解压缩文件
将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 Linux 并解压缩，放置在指定位置，路径中不要包含中文或空格。
学习所有资料如下，包含spark压缩包等：

链接：https://pan.baidu.com/s/1KWVgyBWADgqV1tK1HXlbsg
提取码：uuzu
–来自百度网盘超级会员V4的分享

解压缩到/opt/module

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
1

重命名文件为：spark-local

cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-local
1
2

启动 Local 环境
进入解压缩后的路径，执行如下指令：

bin/spark-shell
1

启动成功后，可以输入网址进行Web UI监控页面访问
http://虚拟机地址:4040

命令行工具
在解压缩文件夹下的data目录中，添加word.txt文件。在命令行工具中执行如下代码指令（和IDEA中代码简化版一致）

sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
1

退出本地模式
按键Ctrl+C或输入Scala指令–》:quit
如何提交应用？

bin/spark-submit \ 
--class org.apache.spark.examples.SparkPi \ 
--master local[2] \ 
./examples/jars/spark-examples_2.12-3.0.0.jar \ 
10 
1
2
3
4
5

1. –class 表示要执行程序的主类，此处可以更换为咱们自己写的应用程序
2. –master local[2] 部署模式，默认为本地模式，数字表示分配的虚拟CPU核数量
3. spark-examples_2.12-3.0.0.jar 运行的应用类所在的 jar 包，实际使用时，可以设定为咱们自己打的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

2、Standalone 模式

local 本地模式毕竟只是用来进行练习演示的，真实工作中还是要将应用提交到对应的集群中去执行，这里我们来看看只使用Spark自身节点运行的集群模式，也就是我们所谓的独立部署（Standalone）模式。Spark的Standalone 模式体现了经典的master-slave模式。

解压缩文件
准备三台虚拟机（使用之前有Hadoop环境的机器即可），分别将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到虚拟机上并解压缩在/opt/module中

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
1

重命名文件

cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-standalone
1
2

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
   1

2. 修改slaves文件，添加work节点

   

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

   mv spark-env.sh.template spark-env.sh
   1

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
   根据自己的实际存储路径修改

   export JAVA_HOME=/opt/module/jdk1.8.0_144 
   SPARK_MASTER_HOST=linux1 
   SPARK_MASTER_PORT=7077
   1
   2
   3

   

   注意：7077端口，相当于hadoop3内部通信的8020端口，此处的端口需要确认自己的Hadoop 配置

分发spark-standalone 目录（此处xsync是集群分发脚本）

#！/bin/bash
if [[ $# -lt 1 ]] ;then
    echo no params;
    exit;
fi
p=$1
dir=`dirname  $p`
filename=`basename  $p`
cd $dir
fullpath=`pwd -P .`
user=`whoami`

echo user = $user
echo fullpath = $fullpath
echo filename = $filename
echo dir = $dir
echo p = $p
for((i=1;i<=2;i=$i+1));do
    echo ==========Slave$i==========
    rsync -lr $p ${user}@Slave$i:$fullpath
done;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

xsync spark-standalone
1

启动集群

sbin/start-all.sh
1

查看三台服务器运行进程

查看Master资源监控Web UI界面: http://你的Master主机名称或Ip地址:8080

提交应用

bin/spark-submit \ 
--class org.apache.spark.examples.SparkPi \ 
--master spark://linux1:7077 \ 
./examples/jars/spark-examples_2.12-3.0.0.jar \ 
10 
1
2
3
4
5

1. –class 表示要执行程序的主类
2. –master spark://linux1（替换成你自己的名称）: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

执行任务时，默认采用服务器集群节点的总核数，每个节点内存1024M。

配置历史服务(可选)

由于spark-shell 停止掉后，集群监控linux1:4040页面就看不到历史任务的运行情况，所以开发时都配置历史服务器记录任务运行情况。

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

   mv spark-defaults.conf.template spark-defaults.conf
   1

2. 修改spark-default.conf 文件，配置日志存储路径

   

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://linux1:8020/directory  -Dspark.history.retainedApplications=30" 
   1

   • 参数1含义：WEB UI访问的端口号为18080
   • 参数2含义：指定历史服务器日志存储路径
   • 参数3含义：指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

4. 分发配置文件

   xsync conf

5. 重新启动集群和历史服务

   sbin/stop-all.sh 
   sbin/start-all.sh 
   sbin/start-history-server.sh 
   1
   2
   3

6. 重新执行任务

   bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://192.168.130.130:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10
   1

7. 查看历史服务：http://历史服务器所在虚拟机名称或IP地址:18080

   

查看hdfs上日志存储路径

3、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：

1. 停止集群
   sbin/stop-all.sh

2. 启动Zookeeper集群并查看节点状态

   
   

3. 修改spark-env.sh 文件添加如下配置
   注释如下内容：
   #SPARK_MASTER_HOST=linux1
   #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=linux1,linux2,linux3
   -Dspark.deploy.zookeeper.dir=/spark"

4. 分发配置文件
   xsync conf

5. 启动集群
   sbin/start-all.sh

6. 启动linux2的单独Master节点，此时linux2节点Master状态处于备用状态
   sbin/start-master.sh
   

7. 提交应用到高可用集群

   bin/spark-submit --class org.apache.spark.examples.SparkPi --master spark://192.168.130.130:7077 ./examples/jars/spark-examples_2.12-3.0.0.jar 10
   1

8. 停止Master机的Master资源监控进程
   

9. 查看Slave1机器的Master 资源监控Web UI，稍等一段时间后，linux2节点的Master状态提升为活动状态

   

4、Yarn模式

独立部署（Standalone）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。但是你也要记住，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，所以还是和其他专业的资源调度框架集成会更靠谱一些。所以接下来我们来学习在强大的Yarn环境下Spark 是如何工作的（其实是因为在国内工作中，Yarn使用的非常多 ）。

解压缩文件
将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 linux 并解压缩，放置在指定位置。

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
1

重命名

cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-yarn
1
2

修改配置文件

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> 
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10

2. 修改conf/spark-env.sh，添加 JAVA_HOME 和YARN_CONF_DIR配置

   mv spark-env.sh.template spark-env.sh 
   。。。 
   export JAVA_HOME=/opt/module/jdk1.8.0_144 （根据自己路径来）
   YARN_CONF_DIR=/opt/module/hadoop/etc/Hadoop（根据自己路径来）
   1
   2
   3
   4

启动HDFS 以及YARN集群
sbin/start-all.sh

提交应用

bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster
./examples/jars/spark-examples_2.12-3.0.0.jar 10
1
2

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 
   1

2. 修改spark-default.conf文件，配置日志存储路径

   spark.eventLog.enabled          true 
   spark.eventLog.dir               hdfs:// hdfs存储主机IP:8020（或者9000）/directory 
   1
   2

   注意：需要启动hadoop集群，HDFS上的目录需要提前存在。

   sbin/start-dfs.sh 
   hadoop fs -mkdir /directory 
   1
   2

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://hdfs存储主机IP:8020（或者9000）/directory  -Dspark.history.retainedApplications=30" 
   1

   • 参数1含义：WEB UI访问的端口号为18080
   • 参数2含义：指定历史服务器日志存储路径
   • 参数3含义：指定保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

4. 修改spark-defaults.conf

   spark.yarn.historyServer.address=想要当作历史服务器的主机名或IP地址:18080 
   spark.history.ui.port=18080 
   1
   2

5. 启动历史服务

   sbin/start-history-server.sh
   1

6. 重新提交应用

   bin/spark-submit ––class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client ./examples/jars/spark-examples_2.12-3.0.0.jar 10
   1

   

7. Web页面查看日志：http://yarn所在机器IP地址:8088

   

   以及历史服务器IP地址 http://历史服务器所在机器IP地址:18080/
   

5、K8S & Mesos 模式（不常用 略）

Mesos 是Apache 下的开源分布式资源管理框架，它被称为是分布式系统的内核,在Twitter 得到广泛使用,管理着Twitter超过30,0000台服务器上的应用部署，但是在国内，依然使用着传统的Hadoop大数据框架，所以国内使用Mesos框架的并不多，故不再赘述。

容器化部署是目前业界很流行的一项技术，基于Docker镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是Kubernetes（k8s），而Spark也在最近的版本中支持了k8s部署模式。给个链接大家自己感受一下：https://spark.apache.org/docs/latest/running-on-kubernetes.html

6、Windows模式（常用）

在我们自己学习时，每次都需要启动虚拟机，启动集群，这是一个比较繁琐的过程，并且会占大量的系统资源，导致系统执行变慢，不仅仅影响学习效果，也影响学习进度，Spark 非常暖心地提供了可以在windows系统下启动本地集群的方式，这样，在不使用虚拟机的情况下，也能学习Spark的基本使用。

解压缩文件

将文件spark-3.0.0-bin-hadoop3.2.tgz 解压缩到无中文无空格的本地路径中

启动本地环境

1. 执行解压缩文件路径下bin目录中的spark-shell.cmd文件，启动Spark本地环境

   

2. 在bin目录中创建input目录，并添加word.txt文件, 在命令行中输入脚本代码

   sc.textFile("input/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
   1

   

命令行提交应用
在DOS命令行窗口中执行提交指令

D:\spark-3.0.0-bin-hadoop3.2\bin> .\spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ..\examples\jars\spark-examples_2.12-3.0.0.jar 10
1

部署模式对比

3、常用端口号

➢ Spark查看当前Spark-shell运行任务情况端口号：4040（计算）
➢ Spark Master 内部通信服务端口号：7077
➢ Standalone 模式下，Spark Master Web 端口号：8080（资源）
➢ Spark历史服务器端口号：18080
➢ Hadoop YARN任务运行情况查看端口号：8088

---

18点30分 2024年2月26日
开学啦！这学期只有一个事儿 ---- 找到实习！
于是再次开启学习之路，再次被卷入内卷的洪流之中；卷吧卷吧，比闲着强。
欢迎大家讨论区批评指正！不积跬步无以至千里。