承接上一篇文档《Spark词频前十的统计练习》

Spark on standalone

类似于yarn的一个集群资源管理框架，spark自带的

yarn

ResourceManager（进程）

管理和调度集群资源，主要包括：申请、调度、监控

NodeManager（进程）

管理当前节点的资源，以及启动container资源：CPU和内存（CPU决定快慢，内存决定生死）

注意：一台机器只允许有一个NodeManager

standalone

Master：（进程）

管理集群资源，主要包括：申请、调度、监控

Worker：（进程）

当前进程允许分配的资源进行管理，包括资源的管理以及executor的启动资源：CPU和内存（CPU决定快慢，内存决定生死）

注意：一台机器允许有多个Worker进程

Standalone集群的配置

前提：spark的本地执行环境已经配置好了

修改${SPARK_HOME}/conf/spark-env.sh

SPARK_MASTER_HOST=域名和ipSPARK_MASTER_PORT=7070SPARK_MASTER_WEBUI_PORT=8080SPARK_WORKER_CORES=2//指定当前机器上的每个worker进程允许分配的逻辑CPU核数SPARK_WORKER_MEMORY=2g//指定当前机器上的每个worker允许分配的内存大小（可以认为是逻辑内存）SPARK_WORKER_PORT=7071SPARK_WORKER_WEBUI_PORT=8081SPARK_WORKER_INSTANCES=2//指定当前机器上的Worker的数量

2. 配置Worker节点所在机器，在conf目录中

cp slaves.template slaves

修改slaves

备注：一行一个机器的主机名（Worker进程所在的机器的hostname）

3. 额外：完全分布式配置（此处可不配置了解即可）

只需要在slaves文件中添加slave从节点的hostname即可（前提是ssh、hostname和ip映射等hadoop的依赖环境均已完成），然后将修改好的spark的安装包copy到其他的slave机器上即可完成分布式的安装

4. 启动服务

4.1 启动主节点

./sbin/start-master.sh

访问WEBUI：

4.2 启动从节点（Worker）

./sbin/start-slave.sh spark://master:7070

4.3 关闭所有服务

./sbin/stop-all.sh

4.5 启动所有服务

./sbin/start-all.sh

注意：启动和关闭所有服务的前提是由ssh免秘钥登录

5. 简单查看/测试

5.1 jps查看Master和Worker进程

5.2 查看WEBUI界面：

5.3 ./bin/spark-shell --help--》查看帮助命令

./bin/spark-shell --master spark://master:7070

val result1 = sc.textFile(";).flatMap(_.split(" ")).filter(_.nonEmpty).map((_,1)).reduceByKey(_+_).collect

如果看到collect有结果，表示我们的standalone搭建完成

Spark StandAlone集群的HA配置

1. Single-Node Recovery with Local File System --基于文件系统的单节点恢复

在spark-env.sh配置

SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=FILESYSTEM -Dspark.deploy.recoveryDirectory=/user/spark/tmp"

spark.deploy.recoveryDirectory --> 保存恢复状态的一个目录

2. Standby Masters with ZooKeeper --基于Zookeeper的Master的HA机制

SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop01:2181,hadoop02:2181,hadoop03:2181 -Dspark.deploy.zookeeper.dir=/spark-ha"

假设有三台机器

hadoop01MasterSPARK_MASTER_HOST=hadoop01hadoop02Master（standby) SPARK_MASTER_HOST=hadoop02hadoop03SPARK_MASTER_HOST=hadoop02

启动Master,在hadoop01上用 start-all.sh(hadoop01:8080)

再在hadoop02上面单独启动Master start-master.sh (自动成为StandBy的状态hadoop02:8080)

Spark应用的监控

如果运行

页面就会变化

如果关掉shell，页面就不存在了

官网：

给了监控方法

针对我们正在运行的Spark应用，可以通过WEB界面监控，默认端口号是4040，如果4040被占用，就会依次进行端口递增（也是有次数限制的），

spark.ui.port=4050 --4051 4052

2. 如果应用已经执行完成了，那可以spark的job history server服务来看

MapReduce的job history server

(1). 开启日志聚集功能

(2). 日志上传到HDFS的文件夹路径

(3). 启动mr的job history服务（读取HDFS的日志文件，并进行展示）

Spark的job history server

(1). 在HDFS上创建spark应用日志存储路径

./bin/hdfs dfs -mkdir -p /spark/history

(2). 修改配置文件spark-default.conf

spark.eventLog.enabled truespark.eventLog.dir hdfs://master:8020/spark /history

(3). 配置Spark的job history server

spark-env.sh

SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://master:8020/spark/history-Dspark.history.ui.port=18080"

(4). 启动spark的job history server

http:/master:18080/api/v1/applications

查看Jps

Web的地址查看，注意18080

这里出现了一个错误18080可以访问但没有内容

先检查Hadoop是否创建了这个目录

检查路径是否有问题

检查配置文件发现问题所在

经测试后发现：

spark.eventLog.dir：Application在运行过程中所有的信息均记录在该属性指定的路径下；

spark.history.fs.logDirectory：Spark History Server页面只展示该指定路径下的信息；

比如：spark.eventLog.dir刚开始时指定的是hdfs://hadoop000:8020/directory，而后修改成hdfs://hadoop000:8020/directory2

那么spark.history.fs.logDirectory如果指定的是hdfs://hadoop000:8020/directory，就只能显示出该目录下的所有Application运行的日志信息；反之亦然。

所有这里修改spark.eventLog.dir为

重启服务即可访问

在页面里可以查看很多信息，比如日志配置路径，未完成的应用等等

Api查询应用

RESTAPI: