spark在集群上运行

1.spark在集群上运行应用的详细过程

（1）用户通过spark-submit脚本提交应用

（2）spark-submit脚本启动驱动器程序，调用用户定义的main()方法

（3）驱动器程序与集群管理器通信，申请资源以启动执行器节点

（4）集群管理器为驱动器程序启动执行器节点

（5）驱动器进程执行用户应用中的操作。根据程序中所定义的对RDD的转化操作和行动操作，驱动器节点把工作以任务的形式发送到执行器进程

（6）任务在执行器程序中进行计算并保存结果

（7）如果驱动器程序的main()方法退出，或者调用了SparkContext.stop()，驱动器程序会终止执行器进程，并且通过集群管理器释放资源

2.集群上运行的app和本地运行的区别

集群上运行的app,还没有指定master，而本地运行的app，指定了运行的主机master是“local”，即本地主机。以下是spark WordCount的程序实例，我们没有指定master，需要提交到集群上运行。

import scala.Tuple2;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;

import java.util.Arrays;
import java.util.List;
import java.util.regex.Pattern;

public final class WordCount {
    private static final Pattern SPACE = Pattern.compile(" ");

    public static void main(String[] args) throws Exception {

        SparkConf sparkConf = new SparkConf().setAppName("JavaWordCount");//关键是没有指定master，需要提交到集群上运行
        JavaSparkContext ctx = new JavaSparkContext(sparkConf);
        JavaRDD<String> lines = ctx.textFile("C:\\test.txt", 1);

        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
            public Iterable<String> call(String s) {
                return Arrays.asList(SPACE.split(s));
            }
        });

        JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() {
            public Tuple2<String, Integer> call(String s) {
                return new Tuple2<String, Integer>(s, 1);
            }
        });

        JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer i1, Integer i2) {
                return i1 + i2;
            }
        });

        List<Tuple2<String, Integer>> output = counts.collect();
        for (Tuple2<?,?> tuple : output) {
            System.out.println(tuple._1() + ": " + tuple._2());
        }
        ctx.stop();
    }
}

3.使用spark-submit部署应用

（1）spark-submit的一般形式

bin/spark-submit [options] <app jar | python file> [app options] 

<app jar | python file>  表示包含应用入口的JAR包或者Python脚本

[app options]  是传给你的应用的选项

spark-submit的一些常见标记

标记	描述
--master	表示要连接的集群管理器
--deploy-mode	选择在本地启动驱动器程序，还是在集群中的一台工作节点机器上启动。在客户端模式下，spark-submit会将驱动器程序运行在spark-submit被调用的这台机器上。在集群模式下，驱动器程序会被传输并被执行于集群的一个工作节点上，默认是本地模式。
--class	运行Java或者Scala程序应用的主类
--name	应用的显示名，会显示在spark的网页用户界面中
--jars	需要上传并放在应用的CLASSPATH中的JAR包的雷彪。如果应用依赖于少量第三方的jar包，可以把它们放在这个参数中
--files	需要放在应用工作目录中的文件雷彪。这个参数一般用来放需要分发到各节点的数据文件
--py-files	需添加到PYTHONPATH中的文件的雷彪。其中可以包含.py /.egg以及.zip文件
--executor-memory	执行器进程使用的内存量，以字节为单位，可以使用后缀指定更大的单位，比如512M或者15g
--driver-memory	驱动器进程使用的内存量，以字节为单位。可以使用后缀指定更大的单位，比如512m或者15g

 

使用各种选项调用spark-submit

./bin/spark-submit 

--master spark:// hostname:7077 

--deploy-mode cluster

--class com.databricks.examples.SparkExample

--name "Example program"

--jars dep1.jar,dep2.jar,dep3.jar

--total-executor-core 300

--executor-memory 10g

4.选择合适的集群管理器

(1)如果是从零开始，可以先选择独立集群管理器。独立模式安装起来最简单，而且如果你只是使用spark的话，独立集群管理器提供与其他集群管理器完全一样的全部功能。

(2)如果你要在使用spark的同时使用其他应用，或者是要用到更丰富的资源调度功能(例如队列)，那么YARN和Mesos都能满足你的需求。而在这两者中，对于大多数的hadoop发行版来说，一般YARN已经预装好了。

(3)Mesos相对于YARN和独立模式的一大优点在于其细粒度共享的选项，该选项可以将类似Spark shell这样的交互式应用中的不同命令分配到不同的CPU上。因此这对于多用户同时运行交互式shell的用例更有用处。

(4)在任何时候，最好把Spark运行在运行HDFS的节点还是那个，这样能快速访问存储。你可以自行在同样的节点上安装Mesos或独立集群管理器。如果使用YARN的话，大多数发行版已经把YARN和HDFS安装在了一起。