Spark on Yarn集群搭建

软件环境:

linux系统: CentOS6.7

Hadoop版本: 2.6.5

zookeeper版本: 3.4.8

##主机配置:
######一共m1, m2, m3这五部机, 每部主机的用户名都为centos
```
192.168.179.201: m1
192.168.179.202: m2
192.168.179.203: m3

m1: Zookeeper, Namenode, DataNode, ResourceManager, NodeManager, Master, Worker

m2: Zookeeper, Namenode, DataNode, ResourceManager, NodeManager, Worker

m3: Zookeeper, DataNode, NodeManager, Worker



</br>

##一.编译Spark源码

####参考资料:

spark源码编译教程

http://blog.csdn.net/yanran1991326/article/details/46506595



</br>

#####1.安装Maven: (Linux下,若使用Spark自带的编译器可跳过此步)

Maven教程:

http://wiki.jikexueyuan.com/project/maven/



1. 下载Maven安装包

2. 解压Maven到指定位置

3. 编辑/etc/profile文件

export M2_HOME=/home/centos/soft/maven

PATH=$PATH:$M2_HOME/bin



4. 刷新一下/etc/profile文件

source /etc/profile



5. 检验是否安装成功,输入以下指令

mvn -v



6. 设置maven内存大小

(1)Linux下:

配置环境变量,编辑```/etc/profile```文件

export MAVEN_OPTS=-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m

(2)Windows下:

配置环境变量:

新建变量:```MAVEN_OPTS```, 并将变量```MAVEN_OPTS```的值设置成```-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m```

</br>

#####2.编译spark源码:

spark源码下载官方地址:

http://spark.apache.org/downloads.html

spark源码编译官方指南:

http://spark.apache.org/docs/1.5.0/building-spark.html

spark源码编译教程:

http://blog.csdn.net/yanran1991326/article/details/46506595



######1. 下载spark源码

######2. 使用spark源码编译: (推荐使用第一种方案, 因为第二种方案亲测编译成功后各种缺包)

1. 方案一:使用maven编译: Linux下 (推荐使用这种方法)

(1)编译指令:

如果想生成一个用```scala2.1.2```编译的spark 部署包，则要先执行```change-scala-version.sh```文件: ```./dev/change-scala-version.sh 2.10```(若要指定scala的编译版本时, 必须先执行该指令)

mvn -Phadoop-2.6 -Pyarn -Dhadoop.version=2.6.5 -Dyarn.version=2.6.5 -Dscala-2.10 -DskipTests clean package

指令参数使用介绍:

–Phadoop-$系列：打包时所用的Hadoop系列号，不加此参数时hadoop为pom.xml的默认系列。

-Dhadoop.version=$版本号: 打包时所用的Hadoop版本号，不加此参数时不可从HDFS上读取数据。

–Pyarn: 是否支持Hadoop YARN，不加参数时为不支持yarn。

-Dyarn.version=$版本号: 是否支持Hadoop YARN，不加参数时为不支持yarn调度。

–Phive: 是否在Spark SQL中支持hive，不加此参数时为不支持hive。(若要使用Hive on Spark功能时, 不能添加次参数)

-Dscala-$版本号: 打包时所用的Scala系列号，不加此参数时Scala版本为pom.xml的默认版本, 在使用此函数之前必须先执行./dev/change-scala-version.sh 2.10指令,否则无效

-DskipTests: 是否在编译的过程中略过测试，加此参数时为略过。

(2)编译成功:

编译成功后的Spark引用包的存放位置:

$Spark源码目录/assembly/target/scala-2.10/spark-assembly-1.6.3-hadoop2.6.5.jar

该包的只是一个引用包, 应把`tgz`解压安装的```$SPARK_HOME/lib```目录下的```assembly```删除, 然后将该包放入到```$SPARK_HOME/lib```目录下

2. 方案二:使用spark源码包中自带的`make-distribution`编译工具

(1)编译指令:

先编译Spark源码(若需要用到parquet功能,则带上parquet-provided参数)

	Spark2.0版本之前(hadoop版本可随实际情况修改)

./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.4,parquet-provided"

	Spark2.0版本之后(hadoop版本可随实际情况修改)

./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided"

(2)编译成功

编译成功后的Spark安装包的存放位置:

$Spark源码目录/spark-1.6.0-bin-hadoop2-without-hive-src.tgz

该包是一个安装包, 用tar解压出安装即可, 不推荐使用

---

</br>

</br>

##二.搭建Spark集群

#####0.安装准备

1. 下载Scala

http://www.scala-lang.org/download/

2. 下载Spark

http://spark.apache.org/downloads.html



---

</br>

#####1.集群规划(在m1上操作,然后在分发到其他主机)

Master m1

Slaves m3, m4, m5



---

</br>

#####2.解压Scala,Spark安装包

tar -zxvf scala-2.10.6/ -C /home/centos/soft/scala

tar -zxvf spark-1.6.0-bin-hadoop2.6/ -C /home/centos/soft/spark



---

</br>

#####3.配置环境变量

vi /etc/profile

Spark

export SCALA_HOME=/home/centos/soft/scala

export SPARK_HOME=/home/centos/soft/spark

export CLASSPATH=$CLASSPATH:$SPARK_HOME/lib

export PATH=$PATH:$SCALA_HOME/bin:$SPARK_HOME/sbin:$SPARK_HOME/bin

source /etc/profile



---

</br>

#####4.拷贝hdfs-site.xml, yarn-site.xml, hive-site.xml文件拷贝到spark的配置目录下

cp /home/centos/soft/hadoop/etc/hadoop/hdfs-site.xml /home/centos/soft/spark/conf

cp /home/centos/soft/hadoop/etc/hadoop/yarn-site.xml /home/centos/soft/spark/conf

cp /home/centos/soft/hive/conf/hive-site.xml /home/centos/soft/spark/conf



---

</br>

#####5.编辑$/SPARK_HOME/conf/spark-env.sh文件

Spark官方配置参考:

https://spark.apache.org/docs/1.2.0/configuration.html

Hive On Spark配置参考:

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties#ConfigurationProperties-Spark

vi $SPARK_HOME/conf/spark-env.sh

export JAVA_HOME=/home/centos/soft/jdk1.7.0_67

export HADOOP_HOME=/home/centos/soft/hadoop

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

export SCALA_HOME=/home/centos/soft/scala

export SPARK_HOME=/home/centos/soft/spark

export SPARK_LOCAL_DIRS=$SPARK_HOME/tmp ## spark相关的临时文件

export SPARK_DIST_CLASSPATH=$(/home/centos/soft/hadoop/bin/hadoop classpath)

export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$HADOOP_HOME/lib:$SCALA_HOME/lib:$SPARK_HOME/lib

export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$SCALA_HOME/bin:$SPARK_HOME/bin:$SPARK_HOME/sbin

export SPARK_MASTER_IP=m1

export SPARK_MASTER_PORT=7077

export SPARK_MASTER_WEBUI_PORT=8080

export SPARK_WORKER_CORES=3 ## 允许Spark应用程序在每台机器上使用的内核总数

export SPARK_WORKER_MEMORY=512m ## 允许Spark应用程序在每台机器上使用的总内存量，例如1000m，2g（默认值：总内存为1 GB）;请注意，每个应用程序的单独内存都使用其spark.executor.memory属性配置

export SPARK_WORKER_INSTANCES=1 ## 在每台计算机上运行的工作程序实例数（默认值：1）。如果你有非常大的机器，并且想要多个Spark工作进程，你可以使它超过1。如果你这样设置，确保显式地设置SPARK_WORKER_CORES以限制每个工人的核心，否则每个工人将尝试使用所有核心。

export SPARK_DAEMON_MEMORY=512m ## 要分配给Spark主服务器和工作程序守护程序本身的内存（默认值：512m）。

export SPARK_EXECUTOR_CORES=1 ## 每个Executor使用的CPU核数,每个Exector使用的总核心spark.max.cores在spark-default.conf中设置

export SPARK_EXECUTOR_MEMORY=512m ## 每个Executor使用多大的内存

export SPARK_DRIVER_MEMORY=512m

export SPARK_YARN_AM_CORES=1

export SPARK_YARN_AM_MEMORY=512m

export SPARK_YARN_AM_WAITTIME=200ms

export SPARK_YARN_APP_NAME=Spark_On_Yarn

export SPARK_YARN_EXECUTOR_MEMORYOVERHEAD=75

export SPARK_TESTING_MEMORY=536870912

export SPARK_WORKER_DIR=$SPARK_HOME/logs/workerDir

export SPARK_LOG_DIR=$SPARK_HOME/logs/logDir

export SPARK_PID_DIR=$SPARK_HOME/logs/pidDir

export HIVE_SERVER2_THRIFT_PORT=10000

export HIVE_SERVER2_THRIFT_BIND_HOST=0.0.0.0



---

</br>

#####6.编辑$SPARK_HOME/conf/spark-default.conf文件

vi $SPARK_HOME/conf/spark-default.conf

spark.master spark://master:7077

spark.shuffle.service.port 7337

spark.eventLog.enabled true

spark.eventLog.compress true

spark.eventlog.dir /home/centos/soft/spark/logs/spark.log

spark.serializer org.apache.spark.serializer.KryoSerializer

spark.driver.memory 5g

spark.executor.extraJavaOptions -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

spark.sql.parquet.binaryAsString true

spark.sql.parquet.mergeSchema true

spark.sql.parquet.cacheMetadata false

spark.sql.hive.convertMetastoreParquet false

spark.dynamicAllocation.enabled true # 开启动态资源分配

spark.dynamicAllocation.minExecutors 1 # 每个Application最小分配的executor数

spark.dynamicAllocation.maxExecutors 30 # 每个Application最大并发分配的executor数

spark.dynamicAllocation.schedulerBacklogTimeout 1s

spark.dynamicAllocation.sustainedSchedulerBacklogTimeout 5s

spark.scheduler.mode FAIR # 调度模式

spark.executor.instances 1 # standalone模式下限制每个Executor最大核心数

spark.cores.max 3 # Yarn模式下限制每个Executor最大核心数



---

</br>

######7.实现Spark动态分配资源功能

1. 将```$SPARK_HOME/conf/spark-default.conf```配置文件中将```spark.dynamicAllocation.enabled```配置项改为```true```

2. 将`$SPARK_HOME/lib/spark-1.6.0-yarn-shuffle.jar`拷贝到每台`NodeManager`节点的`${HADOOP_HOME}/share/hadoop/yarn/lib/`下

---

</br>

#####8.编辑$SPARK_HOME/conf/slaves文件

m3

m4

m5



---

</br>

#####9.将安装文件分发到其他主机上

scp -r /home/centos/soft/scala m3:/home/centos/soft/

scp -r /home/centos/soft/scala m4:/home/centos/soft/

scp -r /home/centos/soft/scala m5:/home/centos/soft/



---

</br>

#####10.启动spark集群(注意: 启动spark集群之前,需先启动YARN)

1. 在m1, m2上分别启动YARN集群

start-yarn.sh



2. 在WebUI上查看启动情况

m1:8088

3. 在m1主机上启动主从节点:

start-master.sh ## 启动主节点:

start-slaves.sh ## 启动从节点:

4. 在WebUI上查看启动情况

m1:8080



----

</br>

#####11.测试实例

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 1g --executor-memory 1g --executor-cores 1 --queue thequeue lib/spark-assembly-1.6.0-hadoop2.6.0.jar 10



---

</br>

</br>

</br>