概述

确保 HADOOP_CONF_DIR 或者 YARN_CONF_DIR 指向包含 Hadoop（客户端）配置文件的目录。这些配置文件用于写HDFS和连接YARN ResourceManager。这个目录下包含的配置文件被分发给YARN集群，这样application所使用的容器都使用同样的配置。如果配置引用了Java系统属性或非YARN管理的环境变量，他们也应该被配置在Spark application的配置中（driver，executors，client 模式下的AM）。

有两种YARN上的部署模式。cluster模式，Spark driver运行在由YARN管理的一个application master进程内。启动这个application后，客户端可以撤离。client模式，driver运行在客户端进程内，application master仅被用于向YARN请求资源。

和Spark standalone，Mesos不同，部署在YARN上，master的地址由--master指定，ResourceManager的地址从Hadoop配置中获取。这样--master配置为”yarn”。

以cluster模式在YARN上运行application

$ ./bin/spark-submit --class path.to.your.Class --master yarn --deploy-mode cluster [options] <app jar> [app options]

例如：

$ ./bin/spark-submit --class org.apache.spark.examples.SparkPi \

--master yarn \

--deploy-mode cluster \

--driver-memory 4g \

--executor-memory 2g \

--executor-cores 1 \

--queue thequeue \

lib/spark-examples*.jar \

10

上面启动一个 YARN 客户端程序，这个客户端程序启动了默认的 Application Master。SparkPi将作为Application Master的子线程运行。客户端定期地轮询Application Master获得状态的更新并将在控制台展示出来。一旦Application 运行完成客户端就退出。

添加其他的jar

在cluster模式下，driver运行在与客户端不同的机器上，因此SparkContext.addJar不能使用位于客户端本地的文件。为了使SparkContext.addJar可以利用客户端本地文件，通过--jars指定这些文件（jar）。

$ ./bin/spark-submit --class my.main.Class \

--master yarn \

--deploy-mode cluster \

--jars my-other-jar.jar,my-other-other-jar.jar \

my-main-jar.jar \

app_arg1 app_arg2

准备工作

在YARN上运行Spark需要YARN 支持的binary distribution of Spark（Spark的二进制分布式文件），可以下载他：

为了能够在YARN上使用Spark运行时jar（Spark runtime jars)，需要设置spark.yarn.archive 或spark.yarn.jars，如果没有指定其中之一，那么Spark会将$SPARK_HOME/jars下的文件打包为zip文件并上传到分布式缓存。

为了省去这个过程，将jar包放到HDFS上，并在程序中设置这个参数：

sparkConf.set("spark.yarn.jar", "hdfs://192.168.106.210:8020/sparkjar/spark-assembly-1.6.0-hadoop2.6.0.jar");

调试应用

在YARN术语中，executors和application masters运行在“containers”中。YARN有两种处理应用完成后的container日志的模式。如果启用日志聚合（配置yarn.log-aggregation-enable），container日志会被拷贝到HDFS并将本机日志删除。在集群的任何一台机器上都可以使用yarn logs这个命令查看日志。

yarn logs -applicationId <app ID>

打印指定application的全部容器的所有日志的全部内容。也可以使用HDFS Shell或API查看日志。通过查看yarn.nodemanager.remote-app-log-dir 和yarn.nodemanager.remote-app-log-dir-suffix可以找到日志文件的目录。也可以在Spark Web UI中找到这些日志，前提是Spark history server和MapReduce history server必须运行，并且配置了yarn-site.xml的yarn.log.server.url属性。Spark history server的日志URL会重定向到MapReduce history server以展示聚合信息。

日志聚合没有开启的话，每台机器生成的日志仍然保存在本地，存储路径通过YARN_APP_LOGS_DIR配置指定，常被指定为/tmp/logs 或$HADOOP_HOME/logs/userlogs，这取决于Hadoop版本和具体的安装情况。这时查看container日志要到包含那个container的主机去查。

要想回顾每个container的运行环境，增大yarn.nodemanager.delete.debug-delay-sec的值（如36000），并且通过设置yarn.nodemanager.local-dirs来使用每个在container启动的节点上

的application缓存。这个目录包含了启动脚本，jar和所有用来启动container的环境变量。这个过程有助于调试路径问题。注意，启用此功能需要集群设置的管理员权限并且还要重启所有node manager，因此这不适用于托管集群。

application master或executor要使用自定义的log4j配置，一些选项如下：

1）使用spark-submit命令，将log4j.properties文件路径加入--files文件列表，实现上传log4j.properties。

2）设置spark.driver.extraJavaOptions（对于驱动）或spark.executor.extraJavaOptions（对于executors）为

-Dlog4j.configuration=<location of configuration file>。如果使用文件，应明确指出file:协议并且这个文件在每个节点都应存在。

3）更新$SPARK_CONF_DIR/log4j.properties并且这个配置文件会和其他配置一起上传到集群。如果指定了多个选项，那么上两个选项的优先权比此项高。

注意，对于第一个选项，所有的driver和executor将共享相同的log4j配置文件，如果这些driver和executor都运行在一个节点上就会有问题（日志都写到一个文件里）。

如果你需要一个引用，指向YARN上的正确位置来放置日志文件，以便YARN能够正确地展示和聚合他们，那么在log4j.properties中配置spark.yarn.app.container.log.dir。例如log4j.appender.file_appender.File=${spark.yarn.app.container.log.dir}/spark.log。对于streaming application，配置RollingFileAppender并且将文件路径设置为YARN的日志目录，这样可以避免大日志文件引起磁盘溢出，并且YARN日志工具可以访问这些日志文件。

为了使用application master和executor的自定义度量属性，更新$SPARK_CONF_DIR/metrics.properties文件。这个文件连同其他配置一起被上传，这样你就不用使用--files来指定他。

Spark Properties(Spark属性)注释

1）调度描述中的核心请求是否会执行取决于使用的调度器（scheduler ）和如何配置他。

2）在cluster模式在，Spark executors和Spark driver使用的本地目录

是YARN上配置的本地目录（Hadoop YARN 的配yarn.nodemanager.local-dirs）

如果用户指定了spark.local.dir，他会被忽略。在client模式中，Spark executors会使用YARN上配置的本地目录，然而Spark driver会使用spark.local.dir。这是因为client模式下Spark driver不会在YARN集群上运行，只有Spark executors在YARN集群上运行。

3）--files和--archives选项支持以#指定的文件名，这与hadoop类似。例如可以指定：--files localtest.txt#appSees.txt，会将本地名为localtest.txt的文件上传到HDFS上，但会使用appSees.txt来连接，当应用运行在YARN上时，要使用appSees.txt来引用这个文件。

4）如果模式为cluster,--jars选项使用本地文件，那么他使SparkContext.addJar这个方法起作用。如果使用HDFS, HTTP, HTTPS, 或FTP，那么不必使用--jars。

在一个安全的集群上运行

在安全的Hadoop集群上使用Kerberos来认证与服务端和客户端相关联的主体。这样客户端就能向已认证的服务端发起请求。服务端为已认证的主体赋予权限。

Hadoop服务发行hadoop tokens来授予访问服务和获得数据的权限。客户端必须先获得与要访问服务相关的tokens，然后连同application一起发生给YARN集群。

Spark application与Hadoop文件系统（HDFS，webhdfs），HBase，Hive等交互，他必须获得相关的tokens，这个tokens使用提交application的用户的Kerberos凭据，这样这个身份的主体就成为了提交Spark application的主体。

一般在提交应用的时候，Spark自动从集群的默认hadoop文件系统获得一个token，有可能是HBase或Hive。

如果HBase在classpath中，一个HBase token将被获得。HBase配置声明了application是安全的（例如hbase-site.xml设置hbase.security.authentication为kerberos)，并且spark.yarn.security.credentials.hbase.enabled设置为true。

相似地，如果Hive在classpath中，Hive token将被获得。他的配置包含了存储元数据的URI（hive.metastore.uris），并且spark.yarn.security.credentials.hive.enabled设置为true。

如果application需要和其他的安全的hadoop文件系统交互，那么要使用这些token访问集群，就必须在调用时明确地指出，可通过spark.yarn.access.hadoopFileSystems这个属性列出来集群

spark.yarn.access.hadoopFileSystems hdfs://ireland.example.org:8020/,webhdfs://frankfurt.example.org:50070/

Spark支持通过Java Services机制与安全感知系统交互（参见java.util.ServiceLoader）。为了实现这一功能，org.apache.spark.deploy.yarn.security.ServiceCredentialProvider的实现可用于Spark，通过在jar的META-INF/services路径中的相应的文件列出他们的名字，可以配置spark.yarn.security.credentials.{service}.enabled为false来禁用这个插件,{service}是凭据提供者的名字。

配置外部的Shuffle服务

在每个NodeManager上启动Spark Shuffle Service，请遵照以下指令：

1）构建Spark，如果使用构建好的，跳过此步骤。

2）找到spark-<version>-yarn-shuffle.jar。如果自己构建Spark，那么应该放在$SPARK_HOME/common/network-yarn/target/scala-<version>目录下，如果使用分发版本，应该放在YARN下。

3）把这个jar放到集群的所有的NodeManager下。

4）在每个节点的yarn-site.xml文件中，添加spark_shuffle到yarn.nodemanager.aux-services，设置yarn.nodemanager.aux-services.spark_shuffle.class为org.apache.spark.network.yarn.YarnShuffleService

5）在etc/hadoop/yarn-env.sh中，通过设置YARN_HEAPSIZE 增大NodeManager的堆内存，可避免Shuffle过程的垃圾收集问题。

6）重启所有NodeManager。

shuffle service运行在YARN上时，额外的参数是：

spark.yarn.shuffle.stopOnFailure默认是false，这个参数的含义是当Spark Shuffle Service初始化失败时，是否停止NodeManager。当Spark Shuffle Service没有在NodeManager上运行，而NodeManager的container正在运转，这样的错误可以通过设置上面的参数来阻止。

Kerberos排错

记录针对Kerberos操作的额外日志，设置HADOOP_JAAS_DEBUG这个环境变量

bash export HADOOP_JAAS_DEBUG=true

通过系统属性sun.security.krb5.debug和sun.security.spnego.debug=true来配置JDK类，即可开启针对Kerberos和SPNEGO/REST认证的日志。

-Dsun.security.krb5.debug=true -Dsun.security.spnego.debug=true

在Application Master中，可以启用上面的所有选项

spark.yarn.appMasterEnv.HADOOP_JAAS_DEBUG true spark.yarn.am.extraJavaOptions -Dsun.security.krb5.debug=true -Dsun.security.spnego.debug=true

如果日志级别org.apache.spark.deploy.yarn.Client被设置为DEBUG，日志会包含获得的所有token，以及这些token到期的详细信息。

使用Spark History Server

应用端设置Spark的配置为spark.yarn.historyServer.allowTracking=true

在Spark History Server，添加org.apache.spark.deploy.yarn.YarnProxyRedirectFilter到spark.ui.filters配置列表。

实践

在集群中选择一台服务器，输入命令：spark-submit 回车，得到如下命令模式及参数注释：

注意：

1）在YARN上运行，那么master一定是 yarn。

2）deploy-mode值有两个，一个是cluster，一个是client。在程序中无法指定deploy-mode，只能由spark-submit命令指定。如果在命令中不指定deploy-mode参数，那么运行方式为client（即默认）。

3）可以通过命令设定master的值，也可以在程序中设置。

4）指定运行应用的用户账号。运行spark-submit命令默认以root身份执行命令（即登录Linux服务器的身份），但是Spark访问HDFS会遇到权限问题：

18/10/25 08:57:26 INFO yarn.ApplicationMaster: Unregistering ApplicationMaster with FAILED (diag message: User class threw exception: org.apache.hadoop.security.AccessControlException: Permission denied: user=root, access=EXECUTE, inode="/home":hdfs:supergroup:d-wx------ at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.check(FSPermissionChecker.java:400) at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.checkTraverse(FSPermissionChecker.java:316) at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.checkPermission(FSPermissionChecker.java:243) at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.checkPermission(FSPermissionChecker.java:194) at org.apache.hadoop.hdfs.server.namenode.FSDirectory.checkPermission(FSDirectory.java:1846) at org.apache.hadoop.hdfs.server.namenode.FSDirectory.checkPermission(FSDirectory.java:1830) at org.apache.hadoop.hdfs.server.namenode.FSDirectory.checkOwner(FSDirectory.java:1775) at org.apache.hadoop.hdfs.server.namenode.FSDirAttrOp.setPermission(FSDirAttrOp.java:64) at org.apache.hadoop.hdfs.server.namenode.FSNamesystem.setPermission(FSNamesystem.java:1886) at org.apache.hadoop.hdfs.server.namenode.NameNodeRpcServer.setPermission(NameNodeRpcServer.java:849) at org.apache.hadoop.hdfs.protocolPB.ClientNamenodeProtocolServerSideTranslatorPB.setPermission(ClientNamenodeProtocolServerSideTranslatorPB.java:509) at org.apache.hadoop.hdfs.protocol.proto.ClientNamenodeProtocolProtos$ClientNamenodeProtocol$2.callBlockingMethod(ClientNamenodeProtocolProtos.java) at org.apache.hadoop.ipc.ProtobufRpcEngine$Server$ProtoBufRpcInvoker.call(ProtobufRpcEngine.java:523) at org.apache.hadoop.ipc.RPC$Server.call(RPC.java:991) at org.apache.hadoop.ipc.Server$RpcCall.run(Server.java:869)

这一句：

yarn.ApplicationMaster: Unregistering ApplicationMaster with FAILED (diag message: User class threw exception: org.apache.hadoop.security.AccessControlException: Permission denied: user=root, access=EXECUTE, inode="/home":hdfs:supergroup:d-wx------

充分显示了问题，即以root用户访问/home文件，然而其属于hdfs这个用户，那么要以hdfs用户身份执行spark-submit命令，使用：

sudo -u hdfs spark-submit --class path.to.your.Class --master yarn --deploy-mode cluster [options] <app jar> [app options]

有博文说添加：System.setProperty("HADOOP_USER_NAME", "hdfs");然而只能解决以client模式运行的应用，对于cluster模式这种方式不起作用，所以还是指定执行脚本的用户这种方式最可靠。

例：不指定master和deploy-mode

spark-submit --class net.cnki.xtsj.a_statistical_information.WordRetrievedStatistics \

/home/a-statistical-information-0.0.1-SNAPSHOT-jar-with-dependencies.jar

在程序中指定master为yarn：

SparkConf sparkConf = new SparkConf().setMaster("yarn").setAppName("write words to mongodb");