详细介绍Spark安装[内含测试小案例]
Spark
- Spark运行模式
- Spark环境搭建
- 上传 & 解压
- 解压目录说明
- 启动spark-shell
- 初体验-读取HDFS文件
- Standalone集群模式
- 集群角色介绍
- 集群规划
- 修改配置并分发
- 通过scp 命令将配置文件分发到其他机器上
- 集群启动和停止
- 测试
- Standalone-HA高可用模式
- 原理
- 配置HA
- Scp到其他节点
- 启动zk集群
- 启动Spark集群
- 测试HA
- On Yarn集群模式
- 准备工作
- cluster模式
- Client模式[了解]
- 两种模式的区别
- Spark参数详解
- spark-shell
- spark-submit
- 参数总结
Spark运行模式
- Local本地模式(单机)–开发测试使用:分为local单线程和local-cluster多线程
- standalone独立集群模式–开发测试使用:典型的Mater/slave模式
- standalone-HA高可用模式–生产环境使用:基于standalone模式，使用zk搭建高可用，避免Master是有单点故障的
- on yarn集群模式–生产环境使用:运行在 yarn 集群之上，由 yarn 负责资源管理，Spark 负责任务调度和计算,好处：计算资源按需伸缩，集群利用率高，共享底层存储，避免数据跨集群迁移。
- on mesos集群模式–国内使用较少:行在 mesos 资源管理器框架之上，由 mesos 负责资源管理，Spark 负责任务调度和计算
- on cloud集群模式–中小公司未来会更多的使用云服务:比如 AWS 的 EC2，使用这个模式能很方便的访问 Amazon的 S3
Spark环境搭建
官方地址：http://spark.apache.org/
上传 & 解压
cd /export/servers
tar spark-2.2.0-bin-2.6.0-cdh5.14.0.tgz
mv spark-2.2.0-bin-2.6.0-cdh5.14.0 spark
注意：
如果有权限问题，可以修改为root，方便学习时操作，实际中使用运维分配的用户和权限即可
chown -R root /export/servers/spark
chgrp -R root /export/servers/spark
解压目录说明
- bin 可执行脚本
- conf 配置文件
- data 示例程序使用数据
- examples 示例程序
- jars 依赖 jar 包
- python pythonAPI
- R R 语言 API
- sbin 集群管理命令
- yarn 整合yarn
启动spark-shell
- 开箱即用
直接启动bin目录下的spark-shell:
./spark-shell
- Spark-shell说明
- 直接使用./spark-shell
表示使用local 模式启动，在本机启动一个SparkSubmit进程 - 还可指定参数 --master，如：
spark-shell --master local[N] 表示在本地模拟N个线程来运行当前任务
spark-shell --master local[*] 表示使用当前机器上所有可用的资源 - 不携带参数默认就是
spark-shell --master local[*] - 后续还可以使用–master指定集群地址，表示把任务提交到集群上运行，如
./spark-shell --master spark://node01:7077
- 退出spark-shell
使用 :quit
初体验-读取HDFS文件
words.txt
hello nihao shanghai
henan hello nihao zaima
chifan nihao shanghai hello
#准备数据：
#上传文件到hdfs
`hadoop fs -put /root/words.txt /wordcount/input/words.txt`#目录如果不存在可以创建
`hadoop fs -mkdir -p /wordcount/input`#结束后可以删除测试文件夹
`hadoop fs -rm -r /wordcount`
val textFile = sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
val counts = textFile.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
counts.saveAsTextFile("hdfs://node01:8020/wordcount/output")Standalone集群模式
集群角色介绍
Spark是基于内存计算的大数据并行计算框架，实际中运行计算任务肯定是使用集群模式，那么我们先来学习Spark自带的standalone集群模式了解一下它的架构及运行机制。
Standalone集群使用了分布式计算中的master-slave模型，
master是集群中含有master进程的节点
slave是集群中的worker节点含有Executor进程
Spark架构图如下(先了解)：
http://spark.apache.org/docs/latest/cluster-overview.html
集群规划
node01:master
node02:slave/worker
node03:slave/worker
修改配置并分发
#修改Spark配置文件
cd /export/servers/spark/conf
mv spark-env.sh.template spark-env.sh
---------------------------------------
vim spark-env.sh
#配置java环境变量
export JAVA_HOME=/export/servers/jdk1.8
#指定spark Master的IP
export SPARK_MASTER_HOST=node01
#指定spark Master的端口
export SPARK_MASTER_PORT=7077
----------------------------------------
mv slaves.template slaves
vim slaves
node02
node03
------------------------------------
配置spark环境变量 (建议不添加，避免和Hadoop的命令冲突)
将spark添加到环境变量,添加以下内容到 /etc/profile.d
cd /etc/profile.d
vim spark.sh
export SPARK_HOME=/export/servers/spark
export PATH=$PATH:$SPARK_HOME/bin
-----------------------------------
注意:
hadoop/sbin 的目录和 spark/sbin 可能会有命令冲突
==start-all.sh stop-all.sh==
解决方案：
1.把其中一个框架的 sbin 从环境变量中去掉；
2.改名 hadoop/sbin/start-all.sh 改为: start-all-hadoop.sh
通过scp 命令将配置文件分发到其他机器上
scp -r /export/servers/spark node02:/export/servers
scp -r /export/servers/spark node03:/export/servers
scp /etc/profile root@node02:/etc
scp /etc/profile root@node03:/etc
source /etc/profile 刷新配置
集群启动和停止
#在主节点上启动spark集群
/export/servers/spark/sbin/start-all.sh
#在主节点上停止spark集群
/export/servers/spark/sbin/stop-all.sh
#单独启动和停止
#在 master 安装节点上启动和停止 master：
start-master.sh
stop-master.sh
#在 Master 所在节点上启动和停止worker(work指的是slaves 配置文件中的主机名)
start-slaves.sh
stop-slaves.sh
#查看web界面
#正常启动spark集群后，查看spark的web界面，查看相关信息。
http://node01:8080/
测试
需求：
使用集群模式运行Spark程序读取HDFS上的文件并执行WordCount
# 集群模式启动spark-shell：
/export/servers/spark/bin/spark-shell --master spark://node01:7077
------------------------------------------------------------------
#运行程序:
sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output2")
------------------------------------------------------------------
#SparkContext web UI
http://node01:4040/jobs/
注意:
集群模式下程序是在集群上运行的，不要直接读取本地文件，应该读取hdfs上的
因为程序运行在集群上，具体在哪个节点上我们运行并不知道，其他节点可能并没有那个数据文件
Standalone-HA高可用模式
原理
Spark Standalone集群是Master-Slaves架构的集群模式，和大部分的Master-Slaves结构集群一样，存在着Master单点故障的问题。
如何解决这个单点故障的问题，Spark提供了两种方案：
- 基于文件系统的单点恢复(Single-Node Recovery with Local File System)–只能用于开发或测试环境。
- 基于zookeeper的Standby Masters(Standby Masters with ZooKeeper)–可以用于生产环境。
配置HA
该HA方案使用起来很简单，首先启动一个ZooKeeper集群，然后在不同节点上启动Master，注意这些节点需要具有相同的zookeeper配置。
#先停止Sprak集群
/export/servers/spark/sbin/stop-all.sh
#在node01上配置：
vim /export/servers/spark/conf/spark-env.sh
#注释掉Master配置
#export SPARK_MASTER_HOST=node01
#在spark-env.sh添加SPARK_DAEMON_JAVA_OPTS，内容如下：
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181 -Dspark.deploy.zookeeper.dir=/spark"
参数说明 ：
- spark.deploy.recoveryMode：恢复模式
- spark.deploy.zookeeper.url：ZooKeeper的Server地址
- spark.deploy.zookeeper.dir：保存集群元数据信息的文件、目录。包括Worker、Driver、Application信息。
Scp到其他节点
scp /export/servers/spark/conf/spark-env.sh node02:/export/servers/spark/conf/
scp /export/servers/spark/conf/spark-env.sh node03:/export/servers/spark/conf/
启动zk集群
zkServer.sh status
zkServer.sh stop
zkServer.sh start
启动Spark集群
#node01上启动Spark集群执行
/export/servers/spark/sbin/start-all.sh#在node02上再单独只起个master:
/export/servers/spark/sbin/start-master.sh#注意：
#在普通模式下启动spark集群
#只需要在主节点上执行start-all.sh 就可以了
#在高可用模式下启动spark集群
#先需要在任意一台主节点上执行start-all.sh
#然后在另外一台主节点上单独执行start-master.sh#查看node01和node02
http://node01:8080/
http://node02:8080/
#可以观察到有一台状态为StandBy
测试HA
测试主备切换：
- 在node01上使用jps查看master进程id
- 使用kill -9 id号强制结束该进程
- 稍等片刻后刷新node02的web界面发现node02为Alive
#测试集群模式提交任务：
1.集群模式启动spark-shell
/export/servers/spark/bin/spark-shell --master spark://node01:7077,node02:7077
2.运行程序
sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output3")
On Yarn集群模式
- 官方文档
http://spark.apache.org/docs/latest/running-on-yarn.html
准备工作
安装启动Hadoop(需要使用HDFS和YARN，已经ok)
安装单机版Spark(已经ok)
注意：不需要集群，因为把Spark程序提交给YARN运行本质上是把字节码给YARN集群上的JVM运行，但是得有一个东西帮我去把任务提交上个YARN，所以需要一个单机版的Spark，里面的有spark-shell命令，spark-submit命令
#修改配置：
#在spark-env.sh ，添加HADOOP_CONF_DIR配置，指明了hadoop的配置文件的位置
vim /export/servers/spark/conf/spark-env.sh
export HADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop
cluster模式
- 说明
在企业生产环境中大部分都是cluster部署模式运行Spark应用
Spark On YARN的Cluster模式 指的是Driver程序运行在YARN集群上 - 补充Driver是什么:
运行应用程序的main()函数并创建SparkContext的进程
●运行示例程序
#spark-shell是一个简单的用来测试的交互式窗口
#spark-submit用来提交打成jar包的任务
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/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 \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
- 查看界面
http://node01:8088/cluster
Client模式[了解]
- 说明
学习测试时使用，开发不用，了解即可
Spark On YARN的Client模式 指的是Driver程序运行在提交任务的客户端
- 运行示例程序
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/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 \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10
两种模式的区别
Cluster和Client模式最本质的区别是：Driver程序运行在哪里！
运行在YARN集群中就是Cluster模式，
运行在客户端就是Client模式
当然还有由本质区别延伸出来的区别，面试的时候能简单说出几点就行
cluster模式：生产环境中使用该模式
1.Driver程序在YARN集群中
2.应用的运行结果不能在客户端显示
3.该模式下Driver运行ApplicattionMaster这个进程中，如果出现问题，yarn会重启ApplicattionMaster(Driver)client模式：
1.Driver运行在Client上的SparkSubmit进程中
2.应用程序运行结果会在客户端显示
Spark参数详解
spark-shell
spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下可以用scala编写spark程序，适合学习测试时使用！
- 示例
spark-shell可以携带参数
spark-shell --master local[N] 数字N表示在本地模拟N个线程来运行当前任务
spark-shell --master local[*] 表示使用当前机器上所有可用的资源
默认不携带参数就是–master local[]
spark-shell --master spark://node01:7077,node02:7077 表示运行在集群上
spark-submit
spark-submit命令用来提交jar包给spark集群/YARN
spark-shell交互式编程确实很方便我们进行学习测试，但是在实际中我们一般是使用IDEA开发Spark应用程序打成jar包交给Spark集群/YARN去执行。
spark-submit命令是我们开发时常用的!!!
#计算π：
/export/servers/spark/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077 \
--executor-memory 1g \
--total-executor-cores 2 \
/export/servers/spark/examples/jars/spark-examples_2.11-2.2.0.jar \
10
参数总结
其他参数示例：
- master spark://node01:7077 指定 Master 的地址
- name “appName” 指定程序运行的名称
- class 程序的main方法所在的类
- jars xx.jar 程序额外使用的 jar 包
- driver-memory 512m Driver运行所需要的内存, 默认1g
- executor-memory 2g 指定每个 executor 可用内存为 2g， 默认1g
- executor-cores 1 指定每一个 executor 可用的核数
- total-executor-cores 2 指定整个集群运行任务使用的 cup 核数为 2 个
- queue default 指定任务的对列
- deploy-mode 指定运行模式（client/cluster）
- 注意：
如果 worker 节点的内存不足，那么在启动 spark-submit的时候，就不能为 executor分配超出 worker 可用的内存容量。
如果–executor-cores超过了每个 worker 可用的 cores，任务处于等待状态。
如果–total-executor-cores即使超过可用的 cores，默认使用所有的。以后当集群其他的资源释放之后，就会被该程序所使用。
如果内存或单个 executor 的 cores 不足，启动 spark-submit 就会报错，任务处于等待状态，不能正常执行。
详细介绍Spark安装[内含测试小案例]相关推荐
- spark集群测试小案例
一.local模式: 测试自带计算的圆周率案例 之所以会报错,是因为从网上copy过来的文件名不对:所以才会报错,以及因此而导致的错误: 正确的如下: 二.独立的Spark集群模式:使用7077端口( ...
- 北洋雷达UST-10LX基于ROS都安装使用测试小问题
北洋雷达UST-10LX基于ROS都安装使用测试小问题 我使用的是UST-10LX型号 的激光雷达进行建图导航.下面的内容是在csdn上的一些回答的综合. 首先下载相关节点包,UST-10LX采用的接 ...
- PySerial：Python串口通信库的详细介绍、安装及使用方法攻略
PySerial:Python串口通信库的详细介绍.安装及使用方法攻略 一.PySerial 简介 PySerial 是 Python 的一个串口通信库,支持不同平台下的串口操作.在 Python 应 ...
- 【Linux入门到精通系列讲解】Nginx详细介绍和安装使用(这一篇就够了)
文章目录 1 Nginx 介绍 2 简单请求和非简单请求 3 正向代理和反向代理 4 apache与nginx的区别 5 Nginx 在Ubuntu 上的安装,测试 5.1 Install 5.2 防 ...
- protobuf篇：介绍、安装、测试
愿打开此篇对你有所帮助. 文章目录 PB.JSON.XML 安装 如何写一个PB文件 Protobuf消息定义 ①限定修饰符 ②数据类型速查 ④字段编码值 ⑤默认值. 几个注意事项 import 关于 ...
- 大数据篇：Spark安装及测试PI的值
本文运行的具体环境如下: centos7.3 Hadoop 2.8.4 Java JDK 1.8 Spark 1.6.3 一.安装Hadoop 关于Hadoop的安装,这里就不概述了! 二.安装 Sp ...
- 机器学习算法——决策树算法详细介绍，并使用sklearn实现案例预测，可视化决策树
目录 一.决策树算法简介 二.决策树分类原理 1.熵 1.1 概念 1.2 案例 2.决策树的划分依据一:信息增益 2.1 概念 2.2 案例: 3.决策树的划分依据二:信息增益率 3.1 概念 3. ...
- Dubbo详细介绍与安装使用过程
1 Dubbo介绍 1.1 dubbox简介 随着互联网的发展,网站应用的规模不断扩大,常规的垂直应用架构已无法应对,分布式服务架构以及流动计算架构势在必行,亟需一个治理系统确保架构有条不紊的演进. ...
- dubbo 即是服务提供者又是消费者_Dubbo详细介绍与安装使用过程
1 Dubbo介绍 1.1 dubbox简介 随着互联网的发展,网站应用的规模不断扩大,常规的垂直应用架构已无法应对,分布式服务架构以及流动计算架构势在必行,亟需一个治理系统确保架构有条不紊的演进. ...
最新文章
- WMI技术介绍和应用——查询驱动信息
- Action访问Servlet API的三种方法
- 写的py_ping 可以跑了
- 【业务知识】档案数字化加工处理过程
- ssm mysql动态分页_SSM项目手动分页详解
- GVRP：GARP VLAN 注册协议 － 802.1P、802.1Q （GARP VLAN Registration Protocol － 802.1P、802.1Q）...
- HttpClient系列~StringContent与FormUrlEncodedContent
- html之CSS设计（float定位和position定位详细分析）
- pytorch的torch.cuda.is_available()输出false
- golang 内存分析/动态追踪
- 【心电信号】基于matlab GUI自适应滤波+平滑滤波+小波滤波心电信号处理【含Matlab源码 1809期】
- 傻瓜式Git提交代码流程【写给初学者】
- 《Java 核心技术 卷 Ⅱ：高级特性》（原书第8版） 已经上市了
- cms添加打卡签到功能php,给wordpress添加签到打卡页面的方法
- 什么计算机有hdmi接口,hdmi接口是什么？hdmi是什么？
- 光衰高怎么办_灯太亮了怎么办 led灯该如何选择
- 解决Git push提交时Permission denied(publickey).Could not read from remote...的问题
- “辶”“廴”偏旁的字五笔拆字
- ChatGPT原理解析以及使用方法介绍
- NC65 添加客户档案 实战案例