在Spark搭建YARN

news2025/5/16 0:41:08

（一）什么是SparkONYarn模式
Spark on YARN（Yet Another Resource Negotiator）是 Spark 框架在 Hadoop 集群中运行的一种部署模式，它借助 Hadoop YARN 来管理资源和调度任务。

架构组成

ResourceManager：作为 YARN 的核心，负责整个集群的资源管理和调度。它会接收来自各个应用程序的资源请求，并根据集群资源的使用情况进行合理分配。

NodeManager：部署在集群中的每个节点上，负责管理该节点上的资源使用情况，监控容器的运行状态，并且与 ResourceManager 保持通信，汇报节点的资源使用信息。

ApplicationMaster：在 Spark 应用启动时，YARN 会为其分配一个 ApplicationMaster。它的主要职责是向 ResourceManager 申请资源，并且与 NodeManager 协作，启动和管理 Spark 的 Executor 进程。

Spark Driver：负责执行用户编写的 Spark 应用程序代码，将其转化为一系列的任务，并调度这些任务到各个 Executor 上执行。

Executor：运行在 NodeManager 管理的容器中，负责具体执行 Spark 任务，并将执行结果返回给 Driver。

（二）运行流程
提交应用：用户通过命令行或者其他方式向 YARN 提交 Spark 应用程序。

启动 ApplicationMaster：ResourceManager 接收到应用程序的请求后，会在集群中的某个节点上启动一个 ApplicationMaster 进程。

申请资源：ApplicationMaster 向 ResourceManager 注册，并根据应用程序的需求申请资源。

启动 Executor：ResourceManager 根据资源分配情况，通知相应的 NodeManager 启动 Executor 进程。

任务执行：Spark Driver 将任务分发给各个 Executor 执行，Executor 执行完任务后将结果返回给 Driver。

应用结束：当所有任务执行完毕后，ApplicationMaster 向 ResourceManager 注销，释放占用的资源。

（三）模式分类
Client 模式：Driver 运行在客户端进程中，客户端会与 ApplicationMaster 和 Executor 进行通信。这种模式适用于交互式应用，例如使用 Spark Shell 进行数据探索和分析。在这种模式下，用户可以在客户端直接看到 Driver 的输出和日志信息，方便调试和监控应用程序的运行状态。

Cluster 模式：Driver 运行在集群中的某个节点上，由 ApplicationMaster 负责管理。这种模式适用于生产环境中的长时间运行的应用程序。在 Cluster 模式下，客户端提交应用程序后可以断开连接，应用程序会在集群中独立运行，不受客户端的影响。

（四）配置集群
1.上传并解压spark-3.1.2-bin-hadoop3.2.tgz，重命名解压之后的目录为spark-yarn。对应的命令是：tar -zxvf spark-3.3.1-bin-hadoop3.tgz -C /opt/module

2. 修改一下spark的环境变量，/etc/profile.d/my_env.sh 。

# spark 环境变量
export SPARK_HOME=/opt/module/spark-yarn
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

同步给其他的设备: xsync /etc/profile.d/

3.修改hadoop的配置。/opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml。因为测试环境虚拟机内存较少，防止执行过程进行被意外杀死，添加如下配置。

<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->

<property>

     <name>yarn.nodemanager.pmem-check-enabled</name>

     <value>false</value>

</property>

<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->

<property>

     <name>yarn.nodemanager.vmem-check-enabled</name>

     <value>false</value>

</property>

把这个设置分发到其他节点。使用xsync /opt/module/hadoop-3.1.3/etc/hadoop/同步一下。

4.修改spark配置。把三个文件的名字重新设置一下。

workers.tempalte 改成 workers,spark-env.sh.template 改成 spark-env.sh,

spark-defaults.conf.template 改成 spark-defaults.conf。

然后，在workers文件中添加

hadoop100
hadoop101
hadoop102

在spark-env.sh文件中,添加如下

SPARK_MASTER_HOST=hadoop100

SPARK_MASTER_PORT=7077

HADOOP_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop

YARN_CONF_DIR=/opt/module/hadoop-3.1.3/etc/hadoop
export SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://hadoop100:8020/directory"

在spark-defaults.conf文件中，添加如下

spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop100:8020/directory
spark.yarn.historyServer.address=hadoop100:18080
spark.history.ui.port=18080

5.同步配置文件到其他设备。xsync /opt/module/spark-yarn/sbin

（五）启动集群
注意这里要同时启动hadoop和spark。

1.启动hdfs和yarn。使用我们之前配置的脚本:myhadoop start

2. 启动spark和spark的历史服务器。进入/opt/module/spart-yarn/sbin，运行： ./start-all.sh 和 ./start-history-server.sh

并通过jps去检查是否有对应的进程。

（六）提交任务到集群
使用spark-submit提交任务

spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster  /opt/module/spark-standalone/examples/jars/spark-examples_2.12-3.1.1.jar 10

代码说明：

spark-submit：这是 Spark 提供的用于提交 Spark 应用程序的脚本。
2. --class org.apache.spark.examples.SparkPi：指定了应用程序的主类，也就是包含 main 方法的类。这里的 org.apache.spark.examples.SparkPi 是 Spark 自带的示例程序，用于通过蒙特卡罗方法估算圆周率 π的值。

3. --master yarn：指定了 Spark 应用程序的运行模式为 YARN。YARN 是 Hadoop 的资源管理系统，能够为 Spark 应用程序分配资源。

4. --deploy-mode cluster：指定了应用程序的部署模式为集群模式。在集群模式下，Driver 进程会在 YARN 集群内部的某个节点上运行。

5. /opt/module/spark-standalone/examples/jars/spark-examples_2.12-3.1.1.jar：指定了包含应用程序代码的 JAR 文件的路径。

6. 10：这是传递给应用程序的参数，在 SparkPi 示例中，这个参数表示用于估算π的采样点数。