Spark学习笔记（四）—— Yarn模式

1、Yarn运行模式介绍

Yarn运行模式就是说Spark客户端直接连接Yarn，不需要额外构建Spark集群。如果Yarn是分布式部署的，那么Spark就跟随它形成了分布式部署的效果。有yarn-client和yarn-cluster两种模式，主要区别在于：Driver程序的运行节点。

yarn-client：Driver程序运行在客户端，适用于交互、调试，希望立即看到app的输出
yarn-cluster：Driver程序运行在由RM（ResourceManager）启动的AP（APPMaster）适用于生产环境。

其实简单说来，就是用Spark替换掉了Hadoop中的MapReduce；或者理解成，用Yarn替换掉了Spark的资源调度器。都是一回事，取长补短的结果。

2、安装配置

1）修改hadoop配置文件yarn-site.xml,添加如下内容：

<!--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>

2）修改spark-env.sh，添加如下配置，指定Yarn的配置：

[simon@hadoop102 conf]$ vi spark-env.sh

YARN_CONF_DIR=/opt/module/hadoop-2.7.2/etc/hadoop

3）分发配置文件

[simon@hadoop102 conf]$ xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml
#spark-env.sh可分发可不分发，因为Yarn是集群模式，Spark运行在Yarn上
[simon@hadoop102 conf]$ xsync spark-env.sh

4）启动Hadoop集群：

[simon@hadoop102 hadoop-2.7.2]$ start-dfs.sh
#在ResourceManager上启动Yarn
[simon@hadoop103 module]$ start-yarn.sh

5）执行一个应用程序：

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

我们比较一下，它和local模式有什么不一样的地方：

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

参数说明：

--master 指定Master的地址，默认为Local
--class: 你的应用的启动类 (如 org.apache.spark.examples.SparkPi)
--deploy-mode: 是否发布你的驱动到worker节点(cluster) 或者作为一个本地客户端 (client) (default: client)*
--conf: 任意的Spark配置属性，格式key=value. 如果值包含空格，可以加引号“key=value”
application-jar: 打包好的应用jar,包含依赖. 这个URL在集群中全局可见。比如hdfs:// 共享存储系统，如果是 file:// path，那么所有的节点的path都包含同样的jar
application-arguments: 传给main()方法的参数
--executor-memory 1G 指定每个executor可用内存为1G
--total-executor-cores 2 指定每个executor使用的cup核数为2个

不同的地方很明显：指定了master为Yarn模式，--deploy-mode，为client模式，缺省的代表是Local模式。

3、Yarn模式运行流程

画了一张图，感受一下：

其实我感觉图画的已经挺清楚的了，再尝试用文字解释一下吧，以后看源码会对图的理解更加深刻：

1）客户端提交应用给Yarn的ResourceManager(RM)；

2）RM选择一个NodeManager(NM)创建ApplicationMaster(AM)；

3）AM向RM索要执行任务的资源；

4）RM返回给AM可用的资源列表（例如：NM1、NM2、NM3）；

5）AM选择一个NM，创建Spark的执行器对象Executor；

6）那么AM怎么知道这个Executor创建了以及它的状态呢，这时候Executor反向注册到AM；

7）AM知道了Executor的状态，开始分解任务，交给它执行。

先有一个大致的印象，方便之后看源码去理解，这样整个代码的逻辑才更加清晰，反过来对整个流程也能理解的更加深刻。

4、日志查看

有时候我们需要对任务进行实时的监控，或者返回来看任务的执行流程，那么就需要查看日志了。由于我们现在使用的Yarn模式，那么就自然而然的想到，日志信息应该是在Yarn的web UI中查看。也就是：使得Yarn能够看到Spark的执行日志。

1）修改配置文件spark-defaults.conf

添加如下内容：

spark.yarn.historyServer.address=hadoop102:18080
spark.history.ui.port=18080

2）重启spark历史服务

[simon@hadoop102 spark]$ sbin/stop-history-server.sh 
#输出
stopping org.apache.spark.deploy.history.HistoryServer

[simon@hadoop102 spark]$ sbin/start-history-server.sh 
#输出
starting org.apache.spark.deploy.history.HistoryServer, logging to /opt/module/spark/logs/spark-simon-org.apache.spark.deploy.history.HistoryServer-1-hadoop102.out

3）提交任务到Yarn执行

[simon@hadoop102 spark]$ bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.11-2.1.1.jar \
100

4）Web页面查看日志