带你理解并亲手实践 Spark HA 部署配置及运行模式
公众号『数人之道』原创文章，欢迎关注获取更多数据知识、干货、资讯！
由于 Spark 是计算框架，还需要有底层存储系统、资源协调管理、分布式协作管理等框架等进行支撑，因此我们这里使用在《万字+50图，详解 Hadoop HA 完全分布式部署配置及运行调试》中部署的 Hadoop 作为 Spark 的存储及管理系统，在此基础上以 HA 模式来安装部署并运行 Spark 集群。
1.安装 Spark
使用 hadoop 用户将下载的 Spark 压缩包上传到 hadoop100 机器的 /opt/softwares 目录，这里使用的是 3.2.1 最新版本。
官网下载地址：
https://spark.apache.org/downloads.html
若速度太慢，可到国内的镜像站点下载，例如清华的：
https://mirrors.tuna.tsinghua.edu.cn/apache/spark
将 Spark 压缩包解压到 /opt/modules 目录下安装：
tar -zxvf /opt/softwares/spark-3.2.1-bin-without-hadoop.tgz -C /opt/modules/注意按照 Hadoop 的版本来选择 Spark 安装包类型。由于这里用的是之前已经安装好的 Hadoop，因此选择的是不带 Hadoop 的 Spark 安装包。
2.配置 Spark
服务器规划如下：
hadoop100 作为主节点、hadoop101 作为备用主节点及从节点，运行 Master 及 Worker 服务；hadoop102 作为从节点，运行 Worker 服务。
2.1.配置 spark-env.sh
修改 Spark 的 /conf 目录下 spark-env.sh 文件中的参数配置：
cp spark-env.sh.template spark-env.sh
vim spark-env.sh在文件末尾添加配置内容：
export JAVA_HOME=/opt/modules/jdk1.8.0_301
export HADOOP_HOME=/opt/modules/app/hadoop-2.10.1
export SPARK_DIST_CLASSPATH=$(/opt/modules/app/hadoop-2.10.1/bin/hadoop classpath)
export HADOOP_CONF_DIR=/opt/modules/app/hadoop-2.10.1/etc/hadoop
export YARN_CONF_DIR=/opt/modules/app/hadoop-2.10.1/etc/hadoop
export SPARK_HOME=/opt/modules/spark
export SPARK_MASTER_WEBUI_PORT=8089
export SPARK_WORKER_MEMORY=1g
export SPARK_WORKER_CORES=1
export SPARK_WORKER_INSTANCES=1参数含义解析：
JAVA_HOME：Java 安装目录SCALA_HOME：Scala 安装目录（若没安装，可不配置）HADOOP_HOME：Hadoop 安装目录- SPARK_DIST_CLASSPATH：Hadoop 命令所在目录（若安装的为不带 Hadoop 类型的 Spark，则需要进行配置），格式为：(HADOOP_HOME/bin/hadoop classpath)
HADOOP_CONF_DIR：Hadoop 集群的配置文件路径（YARN 模式下需要进行配置）YARN_CONF_DIR：YARN 的配置文件路径（YARN 模式下需要进行配置）SPARK_HOME：Spark 安装目录（YARN 模式下需要进行配置）SPARK_MASTER_IP：Spark 集群的 Master 节点的 IP 地址（建议不配置）SPARK_MASTER_PORT：Mater 实例绑定的端口（默认 7077）SPARK_MASTER_WEBUI_PORT：Master Web UI 的端口（默认 8080，由于此端口号太常用，建议修改）SPARK_WORKER_WEBUI_PORT：Worker Web UI 的端口（默认 8081）SPARK_WORKER_PORT：Worker 绑定的端口（默认随机）SPARK_WORKER_MEMORY：每个 Worker 节点能够最大分配给 Executors 的内存上限，如 1000m，2g（默认为本机全部内存减去 1GB）SPARK_WORKER_CORES：每个 Worker 节点所占用本机的 CPU Cores 数目（默认为本机全部 CPU Cores）SPARK_WORKER_INSTANCES：每个节点机器上可启动的 Workers 实例数目（默认为 1 个）；注意，若设置的个数大于 1，则需要配置SPARK_WORKER_CORES参数，来显式地限制每一个 Worker 实例使用的 CPU Cores 数目，不然默认值下，每一个 Worker 实例都会使用全部的 CPU，造成资源争抢。
若使用 Zookeeper 对 Standalone 模式下的 Spark 集群进行分布式协作管理，还需要增加 SPARK_DAEMON_JAVA_OPTS（通用 JVM 参数）中的以下选项配置内容，格式为“-Dx=y” （默认为空）：
export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=hadoop100:2181,hadoop101:2181,hadoop102:2181 -Dspark.deploy.zookeeper.dir=/spark"选项说明：
1. spark.deploy.recoveryMode
设置 Spark 集群的恢复模式，这里设置为使用 Zookeeper，即整个集群状态及其恢复是通过 Zookeeper 来进行分布式协作维护的。
就是说用 Zookeeper 做了 Spark Standalone 模式下的 HA 配置。Master(Alive)挂掉的话，Master(Standby)要想成为 Master(Alive)，就要参与 Zookeeper 的选举机制，然后恢复所有 Workers、Driver 和 Applications 的状态信息。
2. spark.deploy.zookeeper.url
设置 Zookeeper 的节点机器地址及端口号。
3. spark.deploy.zookeeper.dir
Zookeeper 中保存 spark 的元数据目录，用于存储 Spark 集群的所有状态信息，包括所有的 Workers、Driver 和 Applications 信息及 Spark 的作业运行状态等。默认为 /spark。
注意：若安装的 Spark 为不带 Hadoop 的类型，则必须配置 SPARK_DIST_CLASSPATH 参数，否则启动 Spark 集群会报错。
2.2.配置 workers
在 Spark Standalone 集群模式下，Spark 是通过读取 /conf 目录下的 workers 文件进行所有集群机器服务启动的，因此还需要修改此文件配置。
cp workers.template workers
vim workers此文件罗列了所有 Worker 节点服务器的主机名，Spark 的运维脚本会依次迭代访问每一行来启动所有的 Worker 节点服务器进程，跟 Hadoop 的 slaves 及 HBase 的 regionservers 配置文件作用类似。
根据规划，添加 Worker 节点服务器的主机名至 workers 配置文件中：
hadoop100
hadoop101
hadoop102注意：该文件中添加的内容，结尾不允许有空格，且文件中不允许有空行。
2.3.配置 yarn-site.xml
若使用 YARN 模式运行 Spark， 建议修改 Hadoop 下的 yarn-site.xml 文件中以下参数的配置：
1. yarn.nodemanager.vmem-check-enabled
此参数用以设置是否检查 YARN 的 NodeManager(NM) 的虚拟内存，默认为 true，即检查。
这里修改为 false，不进行检查，否则虚拟内存不足时，NM 启动的 Container 会被杀掉，无法运行 Spark 程序。
添加以下内容修改此参数值，设置不检查 NM 使用的虚拟内存：
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>2. yarn.nodemanager.vmem-pmem-ratio
此参数用以指定 YARN 的 NodeManager(NM) 使用的虚拟内存率（虚拟内存大小/物理内存大小），默认为 2.1。
这里设置为 4，即物理内存大小的 4 倍，作为 NM 启动的 Container 的运行虚拟内存上限。
添加以下内容修改此参数值，指定 NM 使用的虚拟内存率：
<property>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>4</value>
</property>可根据资源及实际使用情况进行合适的参数设置。
3.分发文件
在 hadoop100 机器上完成 Spark 的安装及配置后，将 Spark 文件分发到另外两台节点机器上，并添加环境变量。
3.1.分发 Spark 文件
使用 scp 安全拷贝的方式，将 hadoop100 上的 Spark 文件分发给另外两台节点机器：
scp -r /opt/modules/spark/ hadoop@hadoop101:/opt/modules/
scp -r /opt/modules/spark/ hadoop@hadoop102:/opt/modules/使用 scp 安全拷贝的方式，将 hadoop100 上的 yarn-site.xml 配置文件分发给另外两台节点机器：
scp -r /opt/modules/app/hadoop-2.10.1/etc/hadoop/yarn-site.xml hadoop@hadoop101:/opt/modules/app/hadoop-2.10.1/etc/hadoop/
scp -r /opt/modules/app/hadoop-2.10.1/etc/hadoop/yarn-site.xml hadoop@hadoop102:/opt/modules/app/hadoop-2.10.1/etc/hadoop/分发完成后登录另外两台节点机器进行检查。
3.2.添加 Spark 环境变量
在三台机器上编辑环境变量 /etc/profile 文件，追加 Spark 的环境变量：
##SPARK_HOME
export SPARK_HOME="/opt/modules/spark"
export PATH=$PATH:$SPARK_HOME/bin执行以下命令使环境变量配置生效：
source /etc/profile检查环境变量配置是否成功：
当然也可以使用分发文件的方式，配置 hadoop100 机器上的环境变量后将配置文件分发至其它机器上。
注意：这里不建议将 Spark 的 sbin 目录加入环境变量，因为 Spark 的启动脚本名称是 start-all，会跟很多其他组件的启动脚本名称产生冲突。
4.启动集群
由于这里配置的 Spark 在 Standalone 模式下需要依赖于 Hadoop 的 HDFS 集群作为存储及 Zookeeper 集群进行分布式协作管理；在 YARN 模式下需要依赖于 Hadoop 的 YARN 集群进行资源协调调度管理。
因此在 Standalone 模式下，启动 Spark 集群前需要确保 Hadoop 的 HDFS 集群及 Zookeeper 集群已启动并正常运行；在 YARN 模式下，无需启动 Spark 集群，但需要确保 Hadoop 的 HDFS 集群及 YARN 集群、Zookeeper 集群已启动并正常运行。
4.1.启动 Zookeeper 集群
启动 Zookeeper 集群，确保 Zookeeper 的服务正常运行，若已启动可忽略此步骤。
启动方法详见《万字+50图，详解 Hadoop HA 完全分布式部署配置及运行调试》的 3.4 节“启动 Zookeeper”。
4.2.启动 HDFS 集群
启动 HDFS 集群，确保 HDFS 的服务正常运行，若已启动可忽略此步骤。
启动方法详见《万字+50图，详解 Hadoop HA 完全分布式部署配置及运行调试》的 4.4 节“启动 HDFS 集群”。
4.3.启动 YARN 集群（YARN 模式）
在 Standalone 模式下运行 Spark，不要启动 YARN 集群；在 YARN 模式下运行 Spark，需要启动 YARN 集群。
因为在 YARN 模式下，启动 YARN 集群即可实现资源协调管理功能，若再启用 Spark，YARN 就会跟 Spark 内置的资源管理器（Master）发生资源争抢。
启动方法详见《万字+50图，详解 Hadoop HA 完全分布式部署配置及运行调试》的 5.3 节“启动 YARN 集群”。
4.4.启动 Spark 集群（Standalone 模式）
在 Standalone 的模式下运行 Spark，需要启动 Spark 集群；在 YARN 模式下运行 Spark，不要启动 Spark 集群。
原因同上。换句话说，Spark 集群跟 YARN 集群是互斥的，不能同时启动。启动 Spark 集群则使用 Local 或 Standalone 模式运行 Spark；启动 YARN 集群则使用 YARN 模式运行 Spark。
在主节点机器 hadoop100 上执行以下命令：
$SPARK_HOME/sbin/start-all.shSpark 会进行集群群起，在 hadoop100 上启动 Master 及 Worker 服务，在 hadoop101 及 hadoop102 上自动启动 Worker 服务。
由于按照服务器规划，hadoop101 还需要作为 Spark 集群的备用主节点，因此还需要到 hadoop101 节点上执行以下命令，启动 Master 服务：
$SPARK_HOME/sbin/start-master.sh在三台节点机器上使用 jps 检查 Spark 集群启动的情况：
至此，集群即启动完毕。
5.运行调试
下面我们对 Standalone 模式下的 Spark 集群的 HA 进行验证，并在 Local 单机、Standalone 集群、YARN 集群三种模式下执行 Spark 程序，来进行运行调试。
5.1.查看 Spark 集群的 Web 页面
使用 Master 节点的地址（端口号为 8089）登录 Spark 的 Master Web 客户端页面，可查看 Spark 的状态、Worker 数量、作业运行情况等信息：
可以看到 hadoop100 及 hadoop101 都是 Spark 集群的主节点，运行 Master 服务，前者为 ALIVE 状态，后者为 STANDBY 状态。
5.2.验证 Spark 集群的 HA
验证 Spark 集群在 Standalone 模式下的 HA 是否可用：
1. 将 hadoop100 节点上的 Master 进程杀掉：
在 hadoop100 机器上执行 jps 命令查看 Master 的进程 pid：
执行 kill 命令强制杀掉 Master 进程：
kill -9 67142. 观察 hadoop100 节点上的 Spark 是否已经无法访问：
3. 等待 1-2 分钟后，在 Web 页面上查看 hadoop101 节点上的 Spark 是否是 ALIVE 状态：
可以看到 hadoop101 节点上的 Spark 已经自动切换到 ALIVE 状态，表明故障自动切换成功，Spark 集群的 HA 可用。
5.3.Local 模式下执行 Spark 程序
在 hadoop100 节点上运行以下 spark-submit 命令，使用 Local 单机模式执行 Spark 程序：
spark-submit --class org.apache.spark.examples.SparkPi \\
--master local[2] \\
--jars /opt/modules/spark/examples/jars/spark-examples_2.12-3.2.1.jar \\
100参数含义解析：
--master：master 的地址，表示提交任务到哪里执行，如local[2]为提交到本地执行，spark://host:port为提交到 Spark 集群执行，yarn为提交到 YARN 集群执行（local后的数字表示用本地多少个线程来模拟集群运行，设置为*表示使用本地所有线程数量）--class：应用程序的主类，仅针对 Java 或 Scala 应用--jars：执行的 jar 包，多个的时候用逗号分隔，这些传入的 jar 包将包含在 Driver 和 Executor 的 classpath 下1000：SparkPi 类中可传入的参数，数字越大，结果越准确
Spark 程序执行的过程及结果可在本地查看。
5.4.Standalone 模式下执行 Spark 程序
在 hadoop101 节点上运行以下 spark-submit 命令，使用 Standalone 集群模式执行 Spark 程序：
spark-submit --class org.apache.spark.examples.SparkPi \\
--master spark://hadoop101:7077 \\
--executor-memory 500m \\
--total-executor-cores 1 \\
--jars /opt/modules/spark/examples/jars/spark-examples_2.12-3.2.1.jar \\
1000参数含义解析：
--executor-memory：每个 Executor 使用的内存大小上限，默认为 1g，这里修改限定为 500m--total-executor-cores：所有 Executors 使用的 CPU 总 Cores 数上限，仅在 Standalone 或 Mesos 模式下适用
默认使用 Client 模式运行 Spark 程序，执行的过程及结果可在本地或 Spark 集群的 Web 页面查看。
5.5.YARN 模式下执行 Spark 程序
在 hadoop100 节点上执行以下命令停止 Spark 集群：
$SPARK_HOME/sbin/stop-all.sh再到 hadoop101 节点上执行以下命令停止 Master 服务：
$SPARK_HOME/sbin/stop-master.sh按照《万字+50图，详解 Hadoop HA 完全分布式部署配置及运行调试》的 5.3 节的方法启动 YARN 集群。
在 hadoop101 节点上运行以下 spark-submit 命令，使用 YARN 集群模式执行 Spark 程序：
spark-submit --class org.apache.spark.examples.SparkPi \\
--master yarn \\
--deploy-mode cluster \\
--driver-memory 500m \\
--executor-memory 500m \\
--num-executors 2 \\
/opt/modules/spark/examples/jars/spark-examples_2.12-3.2.1.jar参数含义解析：
--deploy-mode：在哪里启动 Spark 的 Driver，默认为client，即在本地启动，这里设置为cluster，即在 cluster 上启动--driver-memory：Driver 使用的内存大小上限，默认为 1g，这里修改限定为 500m--num-executors：启动的 Executors 数量，默认为 2，仅在 YARN 模式下适用
执行过程中可以看到，需要执行的 jar 包被上传到 HDFS 中。
由于使用 Cluster 模式运行 Spark 程序，执行的过程及结果需要在 YARN 集群的 Web 页面查看。
在 YARN 模式下，Spark 作业的运行流程
ResourceManager 取代了 Spark 中的 Master，实现资源协调分配功能，告知 Spark 中的 Driver 哪里有空闲资源（NodeManager）来执行 Tasks；
然后 NodeManager 取代了 Spark 中的 Worker，将 Driver 作为一个 ApplicationMaster 在 YARN 集群中启动，并向 ResourceManager 申请资源；
接着 NodeManager 会在 Container 中启动 Executor 来执行 ApplicationMaster 分配的 Tasks 并监控运行状态；
运行完成后，ApplicationMaster 会向 ResourceManager 申请注销并关闭自己。
YARN-Client 与 YARN-Cluster 的区别
从深层次的含义来说，YARN-Client 和 YARN-Cluster 模式的区别其实就是 ApplicationMaster 进程运行的区别：
- 在 YARN-Client 模式下，Spark 的 Driver 运行在 Client Application 中，作为 ApplicationMaster 向 ResourceManager 请求 Executor，Client 会和请求的 Container 通信来调度他们工作，也就是说 Client 不能离开；
- 在 YARN-Cluster 模式下，Spark 的 Driver 运行在 ApplicationMaster 中，负责向 ResourceManager 申请资源（NodeManager），并监督作业的运行状况，当用户提交了作业之后，就可以关掉 Client，作业会继续在 YARN 上运行，因而 YARN-Cluster 模式不适合运行交互类型的作业。
