spark的HA集群搭建

分布式集群搭建：https://blog.51cto.com/14048416/2327802
 上面试spark普通的分布式集群搭建，存在master节点的单点故障问题。Hadoop2.x开始，已经使用zookeeper解决了单点故障。同样的策略，spark也利用了zookeeper解决了spark集群的单点故障问题。

1. 集群的规划（这里使用3台机器测试）

2.具体搭建步骤：

① 如果已经使用，并启动了spark分布式集群，请手动停止：
 $SPARK_HOME/sbin/stop-all.sh
②配置并启动zookeeper集群：https://blog.51cto.com/14048416/2336178
③修改 $SPARK_HOME/conf 目录中的 spark-env.sh 配置文件

如果是之前有分布式集群的话：删除：**export SPARK_MASTER_HOST=xxx**
加入：
export SPARK_DAEMON_JAVA_OPTS= "-Dspark.deploy.recoveryMode=ZOOKEEPER - Dspark.deploy.zookeeper.url=hadoop01,hadoop02,hadoop03 - Dspark.deploy.zookeeper.dir=/spark"

相关参数解释：
-Dspark.deploy.recoveryMode=ZOOKEEPER：说明整个集群状态是通过zookeeper来维护的，整个集群状态的恢复，也是通过zookeeper来维护的。就是说用 zookeeper 做了 Spark 的 HA 配置，Master(Active)挂掉的话， Master(standby)要想变成 Master（Active）的话，Master(Standby)就要像 zookeeper 读取 整个集群状态信息，然后进行恢复所有 Worker 和 Driver 的状态信息，和所有的 Application 状态信息。
-Dspark.deploy.zookeeper.url：将所有配置了 zookeeper，并且在这台机器上有可能做 master(Active)的机器都配置进来
-Dspark.deploy.zookeeper.dir：zookeeper中保存 spark 的元数据的znode，保存了 spark 的作业运行状态； zookeeper 会保存 spark 集群的所有的状态信息，包括所有的 Workers 信息，所有的 Applactions 信息，所有的 Driver 信息,如果集群。
④如果hadoop集群是高可用集群的话，一定要将core-site.xml 和 hdfs-site.xml放置$SPARK_HOME/conf 目录中，然后同步所有的spark节点。
⑤同步配置文件：
这里是在已经安装了spark分布式的基础上，只同步spark-env.sh即可：（spark集分布式集群的安装：https://blog.51cto.com/14048416/2327802）
scp -r $SPARK_HOME/confspark-env.sh hadoop02:$SPARK_HOME/conf
scp -r $SPARK_HOME/confspark-env.sh hadoop03:$SPARK_HOME/conf
⑥启动集群：
$SPARK_HOME/sbin/start-all.sh
注意：
此时，通过观察启动日志，或者检查 hadoop02 上是否包含有 master 进程等都可以得知 hadoop02 上的 master 并不会自动启动，所以需要手动启动 那么在 hadoop02 执行命令进行启动：$SPARK_HOME/sbin/start-master.sh

⑦验证集群的高可用：
主节点（active）hadoop01:

从节点（standby）hadoop02：

2.永久配置spark集群的日志级别：

 我们运行的 spark 程序运行的情况来看，可以看到大量的 INFO 级别的日志信息。淹没了 我们需要运行输出结果。可以通过修改 Spark 配置文件来 Spark 日志级别。
具体步骤：
进入：cd $SPARK_HOME/conf
准备log4j.properties：cp log4j.properties.template log4j.properties
配置日志级别：

把 INFO 改成你想要的级别：主要有 ERROR, WARN, INFO, DEBUG 几种
重启集群即可。

3.spark的shell的基本使用：

(1)利用 Spark 自带的例子程序执行一个求 PI（蒙特卡洛算法）的程序:

$SPARK_HOME/bin/spark-submit / 
--class org.apache.spark.examples.SparkPi / 
--master spark://hadoop02:7077 / 
--executor-memory 512m / 
--total-executor-cores 3 /
$SPARK_HOME/examples/jars/spark-examples_2.11-2.3.0.jar / 
100

(2)启动spark shell

启动local模式：[hadoop@hadoop01 ~]$ spark-shell
启动集群模式：

$SPARK_HOME/bin/spark-shell / 
--master spark://hadoop02:7077,hadoop04:7077 /  #指定 Master 的地址
--executor-memory 512M /     #指定每个 worker 可用内存为 512M
--total-executor-cores 2        #指定整个集群使用的 cup 核数为 2 个

注意：
 - 在运行时：executor-memory 不能超过集群的节点的内存。
 - total-executor-cores：不要超过 spark 集群能够提供的总 cpu cores，否则会使用全部。最好不要使用 全部。否则其他程序由于没有 cpu core 可用，就不能正常运行。

(3)解决内存资源不足

如果底层使用的yarn的任务资源管理：
修改yarn-site.xml：
加入：

<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
    <description>Whether virtual memory limits will be enforced for containers</description>
</property>
<property>
    <name>yarn.nodemanager.vmem-pmem-ratio</name>
    <value>4</value>
    <description>Ratio between virtual memory to physical memory when setting memory limits for containers</description>
</property> 

之后在重启yarn即可。