Yarn上运行spark-1.6.0

Yarn上运行spark-1.6.0.pdf

目录

 

1. 约定

本文约定Hadoop 2.7.1安装在/data/hadoop/current，而Spark 1.6.0被安装在/data/hadoop/spark，其中/data/hadoop/spark为指向/data/hadoop/spark。

Spark官网为：（Shark官网为：，Shark已成为Spark的一个模块，不再需要单独安装）。

以cluster模式运行Spark，不介绍client模式。

2. 安装Scala

联邦理工学院洛桑（EPFL）的Martin Odersky于2001年基于Funnel的工作开始设计Scala。

Scala是一种多范式的编程语言，设计初衷是要集成纯面向对象编程和函数式编程的各种特性。运行在Java虚拟机JVM之上，兼容现有的Java程序，并可调用Java类库。Scala包含编译器和类库，以BSD许可证发布。

2.1. 下载

Spark使用Scala开发的，在安装Spark之前，先在各个节上将Scala安装好。Scala的官网为：，下载网址为：，本文下载的是二进制安装包scala-2.11.7.tgz。

2.2. 安装

本文以root用户（实则也可以非root用户，建议事先规划好）将Scala安装在/data/scala，其中/data/scala是指向/data/scala-2.11.7的软链接。

安装方法非常简单，将scala-2.11.7.tgz上传到/data目录，然后在/data/目录下对scala-2.11.7.tgz进行解压。

接着，建立软链接：ln -s /data/scala-2.11.7 /data/scala。

2.3. 设置环境变量

Scala被安装完成后，需要将它添加到PATH环境变量中，可以直接修改/etc/profile文件，加入以下内容即可：

export SCALA_HOME=/data/scala

export PATH=$SCALA_HOME/bin:$PATH

3. 安装Spark

Spark的安装以非root用户进行，本文以hadoop用户安装它。

3.1. 下载

本文下载的二进制安装包，推荐这种方式，否则编译还得折腾。下载网址为：，本文下载的是spark-1.6.0-bin-hadoop2.6.tgz，这个可以直接跑在YARN上。

3.2. 安装

1) 将spark-1.6.0-bin-hadoop2.6.tgz上传到目录/data/hadoop下

2) 解压：tar xzf spark-1.6.0-bin-hadoop2.6.tgz

3) 建立软链接：ln -s spark-1.6.0-bin-hadoop2.6 spark

 

在yarn上运行spark，不需要每台机器都安装spark，可以只安装在一台机器上。但是只能在被安装的机器上运行spark，原因很简单：需要调用spark的文件。

3.3. 配置

3.3.1. 修改conf/spark-env.sh

可以spark-env.sh.template复制一份，然后增加以下内容：

HADOOP_CONF_DIR=/data/hadoop/current/etc/hadoop

YARN_CONF_DIR=/data/hadoop/current/etc/hadoop

 

4. 启动Spark

由于运行在Yarn上，所以没有启动Spark这一过程。而是在执行命令spark-submit时，由Yarn调度运行Spark。

4.1. 运行自带示例

./bin/spark-submit --class org.apache.spark.examples.SparkPi \

                   --master yarn --deploy-mode cluster \

                   --driver-memory 4g \

                   --executor-memory 2g \

                   --executor-cores 1 \

                   --queue default \

                   lib/spark-examples*.jar 10

 

运行输出：

16/02/03 16:08:33 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:34 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:35 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:36 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:37 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:38 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:39 INFO yarn.Client: Application report for application_1454466109748_0007 (state: RUNNING)

16/02/03 16:08:40 INFO yarn.Client: Application report for application_1454466109748_0007 (state: FINISHED)

16/02/03 16:08:40 INFO yarn.Client: 

         client token: N/A

         diagnostics: N/A

         ApplicationMaster host: 10.225.168.251

         ApplicationMaster RPC port: 0

         queue: default

         start time: 1454486904755

         final status: SUCCEEDED

         tracking URL: 

         user: hadoop

16/02/03 16:08:40 INFO util.ShutdownHookManager: Shutdown hook called

16/02/03 16:08:40 INFO util.ShutdownHookManager: Deleting directory /tmp/spark-7fc8538c-8f4c-4d8d-8731-64f5c54c5eac

4.2. SparkSQL Cli

通过运行即可进入SparkSQL Cli交互界面，但要在Yarn上以cluster运行，则需要指定参数--master值为yarn（注意不支持参数--deploy-mode的值为cluster，也就是只能以client模式运行在Yarn上）：

./bin/spark-sql --master yarn

 

为什么SparkSQL Cli只能以client模式运行？其实很好理解，既然是交互，需要看到输出，这个时候cluster模式就没法做到了。因为cluster模式，ApplicationMaster在哪机器上运行，是由Yarn动态确定的。

5. 和Hive集成

Spark集成Hive非常简单，只需以下几步：

1) 在spark-env.sh中加入HIVE_HOME，如：export HIVE_HOME=/data/hadoop/hive

2) 将Hive的hive-site.xml和hive-log4j.properties两个文件复制到Spark的conf目录下。

 

完成后，再次执行spark-sql进入Spark的SQL Cli，运行命令show tables即可看到在Hive中创建的表。

示例：

./spark-sql --master yarn --driver-class-path /data/hadoop/hive/lib/mysql-connector-java-5.1.38-bin.jar

6. Java开发

Spark的Java编程示例：。

package testspark;

 

import org.apache.spark.SparkConf;

import org.apache.spark.api.java.JavaSparkContext;

import org.apache.spark.sql.Row;

import org.apache.spark.sql.hive.HiveContext;

 

public class SparkSQLHiveOnYarn {

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

    System.out.println("start");

    SparkConf sparkConf = new SparkConf().setAppName("SparkSQLHiveOnYarnTest");

    JavaSparkContext ctx = new JavaSparkContext(sparkConf);

    HiveContext hc = new HiveContext(ctx.sc());

    hc.sql("use default");  // 选择使用哪个DB

    Row[] result = hc.sql("select count(1) from test").collect();

    System.out.println(result[0]);

    ctx.stop();

  }

}

 

打包成jar后，运行（假设jar包放在/tmp目录下）：

spark-submit --master  yarn \

             --class testspark.SparkSQLHiveOnYarn \

             --driver-memory 4G \

             --driver-java-options "-XX:MaxPermSize=4G" \

             --verbose \

             --jars $HIVE_HOME/lib/mysql-connector-java-5.1.38-bin.jar \

             /tmp/testspark.jar 

7. 常见错误

7.1. 错误1：unknown queue: thequeue

运行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster --driver-memory 4g --executor-memory 2g --executor-cores 1 --queue thequeue lib/spark-examples*.jar 10

时报如下错误，只需要将“--queue thequeue”改成“--queue default”即可。

16/02/03 15:57:36 INFO yarn.Client: Application report for application_1454466109748_0004 (state: FAILED)

16/02/03 15:57:36 INFO yarn.Client: 

         client token: N/A

         diagnostics: Application application_1454466109748_0004 submitted by user hadoop to unknown queue: thequeue

         ApplicationMaster host: N/A

         ApplicationMaster RPC port: -1

         queue: thequeue

         start time: 1454486255907

         final status: FAILED

         tracking URL: 

         user: hadoop

16/02/03 15:57:36 INFO yarn.Client: Deleting staging directory .sparkStaging/application_1454466109748_0004

Exception in thread "main" org.apache.spark.SparkException: Application application_1454466109748_0004 finished with failed status

        at org.apache.spark.deploy.yarn.Client.run(Client.scala:1029)

        at org.apache.spark.deploy.yarn.Client$.main(Client.scala:1076)

        at org.apache.spark.deploy.yarn.Client.main(Client.scala)

        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)

        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)

        at java.lang.reflect.Method.invoke(Method.java:606)

        at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:731)

        at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:181)

        at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:206)

        at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:121)

        at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

16/02/03 15:57:36 INFO util.ShutdownHookManager: Shutdown hook called

16/02/03 15:57:36 INFO util.ShutdownHookManager: Deleting directory /tmp/spark-54531ae3-4d02-41be-8b9e-92f4b0f05807

7.2. SPARK_CLASSPATH was detected

SPARK_CLASSPATH was detected (set to '/data/hadoop/hive/lib/mysql-connector-java-5.1.38-bin.jar:').

This is deprecated in Spark 1.0+.

Please instead use:

 - ./spark-submit with --driver-class-path to augment the driver classpath

 - spark.executor.extraClassPath to augment the executor classpath

意思是不推荐在spark-env.sh中设置环境变量SPARK_CLASSPATH，可以改成如下推荐的方式：

./spark-sql --master yarn --driver-class-path /data/hadoop/hive/lib/mysql-connector-java-5.1.38-bin.jar

8. 相关文档

《HBase-0.98.0分布式安装指南》

《Hive 0.12.0安装指南》

《ZooKeeper-3.4.6分布式安装指南》

《Hadoop 2.3.0源码反向工程》

《在Linux上编译Hadoop-2.4.0》

《Accumulo-1.5.1安装指南》

《Drill 1.0.0安装指南》

《Shark 0.9.1安装指南》

 

更多，敬请关注技术博客：http://aquester.cublog.cn。