大数据Spark集群模式配置

导读	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:

将spark-3.0.0-bin-hadoop3.2.tgz.tgz文件上传到Linux并解压缩在指定位置

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-standalone

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 

2) 修改slaves文件，添加work节点

hadoop102hadoop103hadoop104 

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

mv spark-env.sh.template 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=hadoop102SPARK_MASTER_PORT=7077 

注意：7077端口，相当于hadoop3.x内部通信的8020端口，此处的端口需要确认自己的虚拟机配置

5) 分发spark-standalone目录

xsync spark-standalone

1) 执行脚本命令：

sbin/start-all.sh

2) 查看三台服务器运行进程

================hadoop102================ 
3330 Jps 
3238 Worker 
3163 Master 
================hadoop103================ 
2966 Jps 
2908 Worker 
================hadoop104================ 
2978 Worker 
3036 Jps 

3) 查看Master资源监控Web UI界面: http://hadoop102:8080

bin/spark-submit / 
--class org.apache.spark.examples.SparkPi / 
--master spark://hadoop102:7077 / 
./examples/jars/spark-examples_2.12-3.0.0.jar / 
10 

–class表示要执行程序的主类

–master spark://hadoop102:7077 独立部署模式，连接到Spark集群

spark-examples_2.12-3.0.0.jar 运行类所在的jar包

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

大数据Spark运行环境：Standalone模式与配置详解
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。

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://hadoop102:8020/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://hadoop102:8020/directory 
-Dspark.history.retainedApplications=30" 

注：写成一行!!空格隔开!!!

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 

7) 查看历史服务：http://hadoop102:18080

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

3) 修改spark-env.sh文件添加如下配置

注释如下内容： 
#SPARK_MASTER_HOST=hadoop102#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" 
注：写成一行!!空格隔开!!!

4) 分发配置文件

xsync conf/ 

5) 启动集群

sbin/start-all.sh

6) 启动hadoop103的单独Master节点，此时hadoop103节点Master状态处于备用状态

[bigdata@hadoop103 spark-standalone]$ 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://hadoop102:7077,hadoop103:7077 / 
./examples/jars/spark-examples_2.12-3.0.0.jar / 
10 

8) 停止hadoop102的Master资源监控进程

9) 查看hadoop103的Master 资源监控Web UI，稍等一段时间后，hadoop103节点的Master状态提升为活动状态