Spark 作为一个数据处理框架和计算引擎，被设计在所有常见的集群环境中运行, 在国内工作中主流的环境为Yarn，不过逐渐容器式环境也慢慢流行起来。接下来，我们就分别看看不同环境下Spark 的运行
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，之前在IDEA 中运行代码的环境我们称之为开发环境，不太一样。
1.1 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
[mhk@hadoop102 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
[mhk@hadoop102 software]$ cd /opt/module/
[mhk@hadoop102 module]$ ls
datas hadoop-3.1.3 jdk1.8.0_212 spark-3.0.0-bin-hadoop3.2 zookeeper-3.5.7
flink-1.10.1 hive kafka tez
[mhk@hadoop102 module]$ mv spark-3.0.0-bin-hadoop3.2 spark-local
[mhk@hadoop102 module]$ ls
datas flink-1.10.1 hadoop-3.1.3 hive jdk1.8.0_212 kafka spark-local tez zookeeper-3.5.7
1.2 启动Local 环境
（1）进入解压缩后的路径，执行如下指令
mhk@hadoop102 spark-local]$ bin/spark-shell
22/03/17 11:26:10 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop102:4040
Spark context available as 'sc' (master = local[*], app id = local-1647487601591).
Spark session available as 'spark'.
Welcome to
____ __
/ __/__ ___ _____/ /__
_\ \/ _ \/ _ `/ __/ '_/
/___/ .__/\_,_/_/ /_/\_\ version 3.0.0
/_/
Using Scala version 2.12.10 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_212)
Type in expressions to have them evaluated.
Type :help for more information.
scala>
（2）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
1.3 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）
[mhk@hadoop102 spark-local]$ cd data/
[mhk@hadoop102 data]$ ls
graphx mllib streaming word.txt
[mhk@hadoop102 data]$ cat word.txt
Hello Scala
Hello Spark
Hello Scala
scala> sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect
res0: Array[(String, Int)] = Array((Hello,3), (Scala,2), (Spark,1))
1.4 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
Pi is roughly 3.14002714002714
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。 集群规划:
| hadoop102 | hadoop103 | hadoop104 | |
|---|---|---|---|
| Spark | Worker Master | Worker | Worker |
2.1 解压缩文件
将spark-3.0.0-bin-hadoop3.2.tgz 文件上传到Linux 并解压缩在指定位置
[mhk@hadoop102 module]$ mv spark-3.0.0-bin-hadoop3.2 spark-standalone
[mhk@hadoop102 module]$ cd spark-standalone/
[mhk@hadoop102 spark-standalone]$ ls
bin data jars LICENSE NOTICE R RELEASE yarn
conf examples kubernetes licenses python README.md sbin
2.2 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
[mhk@hadoop102 spark-standalone]$ cd conf/
[mhk@hadoop102 conf]$ ll
总用量 36
-rw-r--r--. 1 mhk mhk 1105 6月 6 2020 fairscheduler.xml.template
-rw-r--r--. 1 mhk mhk 2023 6月 6 2020 log4j.properties.template
-rw-r--r--. 1 mhk mhk 9141 6月 6 2020 metrics.properties.template
-rw-r--r--. 1 mhk mhk 865 6月 6 2020 slaves.template
-rw-r--r--. 1 mhk mhk 1292 6月 6 2020 spark-defaults.conf.template
-rwxr-xr-x. 1 mhk mhk 4344 6月 6 2020 spark-env.sh.template
[mhk@hadoop102 conf]$ mv slaves.template slaves
[mhk@hadoop102 conf]$ ll
总用量 36
-rw-r--r--. 1 mhk mhk 1105 6月 6 2020 fairscheduler.xml.template
-rw-r--r--. 1 mhk mhk 2023 6月 6 2020 log4j.properties.template
-rw-r--r--. 1 mhk mhk 9141 6月 6 2020 metrics.properties.template
-rw-r--r--. 1 mhk mhk 865 6月 6 2020 slaves
-rw-r--r--. 1 mhk mhk 1292 6月 6 2020 spark-defaults.conf.template
-rwxr-xr-x. 1 mhk mhk 4344 6月 6 2020 spark-env.sh.template
2) 修改slaves 文件，添加work 节点
hadoop102
hadoop103
hadoop104
3) 修改spark-env.sh.template 文件名为spark-env.sh
[mhk@hadoop102 conf]$ mv spark-env.sh.template spark-env.sh
[mhk@hadoop102 conf]$ ll
总用量 36
-rw-r--r--. 1 mhk mhk 1105 6月 6 2020 fairscheduler.xml.template
-rw-r--r--. 1 mhk mhk 2023 6月 6 2020 log4j.properties.template
-rw-r--r--. 1 mhk mhk 9141 6月 6 2020 metrics.properties.template
-rw-r--r--. 1 mhk mhk 886 3月 17 15:28 slaves
-rw-r--r--. 1 mhk mhk 1292 6月 6 2020 spark-defaults.conf.template
-rwxr-xr-x. 1 mhk mhk 4344 6月 6 2020 spark-env.sh
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
export JAVA_HOME=/opt/module/jdk1.8.0_212
SPARK_MASTER_HOST=hadoop102
SPARK_MASTER_PORT=7077
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
5) 分发spark-standalone 目录
xsync spark-standalone
2.3 启动集群
1) 执行脚本命令：
[mhk@hadoop102 spark-standalone]$ sbin/start-all.sh
starting org.apache.spark.deploy.master.Master, logging to /opt/module/spark-standalone/logs/spark-mhk-org.apache.spark.deploy.master.Master-1-hadoop102.out
hadoop103: starting org.apache.spark.deploy.worker.Worker, logging to /opt/module/spark-standalone/logs/spark-mhk-org.apache.spark.deploy.worker.Worker-1-hadoop103.out
hadoop104: starting org.apache.spark.deploy.worker.Worker, logging to /opt/module/spark-standalone/logs/spark-mhk-org.apache.spark.deploy.worker.Worker-1-hadoop104.out
hadoop102: starting org.apache.spark.deploy.worker.Worker, logging to /opt/module/spark-standalone/logs/spark-mhk-org.apache.spark.deploy.worker.Worker-1-hadoop102.out
2) 查看三台服务器运行进程
[mhk@hadoop102 spark-standalone]$ jpsall
=============== hadoop102 ===============
2087 Worker
2025 Master
=============== hadoop103 ===============
1635 Worker
=============== hadoop104 ===============
1636 Worker
3) 查看Master 资源监控Web UI 界面: http://hadoop102:8080
2.4 提交应用
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
Pi is roughly 3.1412951412951413
1) –class 表示要执行程序的主类 2) –master spark://linux1:7077 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，会产生多个Java 进程
3.1.1 提交参数说明
在提交应用中，一般会同时一些提交参数
bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
| 参数 | 解释 | 可选值举例 | | — | — | — | | –class | Spark 程序中包含主函数的类 | | | –master | Spark 程序运行的模式(环境) | 模式：local[*]、spark://linux1:7077、 Yarn | | –executor-memory 1G | 指定每个 executor 可用内存为 1G | 符合集群内存配置即可，具体情况具体分析。 | | –total-executor-cores 2 | 指定所有executor 使用的cpu 核数 为 2 个 | | | –executor-cores | 指定每个executor 使用的cpu 核数 | | | application-jar | 打包好的应用 jar，包含依赖。这 个 URL 在集群中全局可见。 比如 hdfs:// 共享存储系统，如果是 file:// path， 那么所有的节点的 path 都包含同样的 jar | |
application-arguments 传给 main()方法的参数
2.5 配置历史服务
由于spark-shell 停止掉后，集群监控hadoop102:4040 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
2) 修改spark-default.conf 文件，配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:9820/directory
注意：需要启动hadoop 集群，HDFS 上的directory 目录需要提前存在。
sbin/start-dfs.sh
hadoop fs -mkdir /directory
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://hadoop102:9820/directory
-Dspark.history.retainedApplications=30"
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/start-all.sh
sbin/start-history-server.sh
6) 重新执行任务
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
Pi is roughly 3.1412951412951413
7) 查看历史服务：http://hadoop102:18080
2.5 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:
| | Linux1 | Linux2 | Linux3 | | — | — | — | — | | Spark | Master Zookeeper Worker | Master Zookeeper Worker |
Zookeeper Worker |
1) 停止集群
sbin/stop-all.sh
2) 启动Zookeeper
zk.sh start
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=hadoop102,hadoop103,hadoop104
-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
7) 提交应用到高可用集群
bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop102:7077,hadoop103:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10
Pi is roughly 3.1412951412951413
##
3. 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）。
3.1 解压缩文件
1) 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
cd /opt/module
mv spark-3.0.0-bin-hadoop3.2 spark-yarn
3.2 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>
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_212
YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
3.3 启动HDFS 以及YARN 集群
myhadoop.sh start
3.4 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
查看http://hadoop102:8088 页面，点击History，查看历史页面
3.5 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
2) 修改spark-default.conf 文件，配置日志存储路径
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:8020/directory
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
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://hadoop102:9820/directory
-Dspark.history.retainedApplications=30"
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=hadoop102:18080
spark.history.ui.port=18080
5) 启动历史服务
sbin/start-history-server.sh
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
7) Web 页面查看日志：http://hadoop103:8088
4. 部署模式对比
| 模式 | Spark 安装机器数 | 需启动的进程 | 所属者 | 应用场景 | | — | — | — | — | — | | Local | 1 | 无 | Spark | 测试 | | Standalone | 3 | Master 及 Worker | Spark | 单独部署 | | Yarn | 1 | Yarn 及 HDFS | Hadoop | 混合部署 |
5. 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