Spark独立模式

Spark除了可以在Mesos和YARN集群上运行之外，还支持一种简单的独立部署模式。独立部署模式下，你既可以手工启动（手动运行master和workers），也可以利用我们提供的启动脚本（launch scripts）。同时，独立部署模式下，你可以在单机上运行这些程序，以方便测试。

Spark集群独立安装

要独立安装Spark，你只需要将编译好的Spark包复制到集群中每一个节点上即可。你可以下载一个编译好的Spark版本，也可以在这里自己编译一个版本（build it yourself）。

手动启动集群

执行以下命令，启动独立部署的master server：

./sbin/start-master.sh

一旦启动完成，master会打印出master URL（spark://HOST:PORT），后续worker需要用这个URL来连接master，写代码的时候SparkContext中的master参数也需要设置成这个master URL。你还可以在master的web UI（默认为http://localhost:8080）上查看master URL。

类似地，你可以通过以下命令，启动一个或多个worker节点，并将其连接到master：

./sbin/start-slave.sh <master-spark-URL>

启动一个worker以后，刷新一下master的web UI（默认为http://localhost:8080），你应该可以在这里看到一个新的节点。

最后，以下配置选项将会被传给master和worker：

集群启动脚本

要使用启动脚本，来启动一个Spark独立部署集群，首先你需要在Spark目录下创建一个文件conf/slaves，并且在文件中写入你需要作为worker节点启动的每一台机器主机名（或IP），每行一台机器。如果conf/slaves文件不存在，启动脚本会默认会用单机方式启动，这种方式对测试很有帮助。注意，master节点访问各个worker时使用ssh。默认情况下，你需要配置ssh免密码登陆（使用秘钥文件）。如果你没有设置免密码登陆，那么你也可以通过环境变量SPARK_SSH_FOREGROUND来一个一个地设置每个worker的密码。

设置好conf/slaves文件以后，你就可以用一下shell脚本来启动或停止集群了，类似于Hadoop的部署，这些脚本都在${SPARK_HOME}/sbin目录下：

• sbin/start-master.sh – 在本机启动一个master实例
• sbin/start-slaves.sh – 在conf/slaves文件所指定的每一台机器上都启动一个slave实例
• sbin/start-slave.sh – 在本机启动一个slave实例
• sbin/start-all.sh – 启动一个master和多个slave实例，详细见上面的描述。
• sbin/stop-master.sh – 停止 start-master.sh所启动的master实例
• sbin/stop-slaves.sh – 停止所有在conf/slaves中指定的slave实例
• sbin/stop-all.sh – 停止master节点和所有slave节点，详细见上面的描述

注意，这些脚本都需要在你启动Spark master的机器上运行，而不是你的本地机器。

Spark独立部署集群的其他可选的环境变量见conf/spark-env.sh。你可以通过复制conf/spark-env.sh.template来创建这个文件，同时你还需要将配置好的文件复制到所有的worker节点上。以下是可用的设置：

注意: 启动脚本目前不支持Windows。如需在Windows上运行，请手工启动master和workers。

SPARK_MASTER_OPTS支持以下属性：

SPARK_WORKER_OPTS支持以下属性：

连接到集群

要在Spark集群上运行一个应用，只需把spark://IP:PORT这个master URL传给SparkContext（参考SparkContext constructor）

如需要运行交互式的spark shell，运行如下命令：

./bin/spark-shell --master spark://IP:PORT

你也可以通过设置选线 –total-executor-cores <numCores> 来控制spark-shell在集群上使用的CPU总数。

启动Spark应用

spark-submit脚本（spark-submit script ）是提交spark应用最简洁的方式。对于独立安装的集群来说，spark目前支持两种运行模式。客户端（client）模式下，驱动器进程（driver）将在提交应用的机器上启动。而在集群（cluster）模式下，驱动器（driver）将会在集群中的某一台worker上启动，同时提交应用的客户端在提交动作完成之后立即退出，而不会等到Spark应用运行结束。

如果你的应用时通过spark-submit提交启动的，那么应用对应的jar包会自动发布到所有的worker节点上。任何额外的依赖项jar包，都必须在–jars参数中指明，并以逗号分隔（如：–jars jar1,jar2）。

另外，独立安装的集群还支持异常退出（返回值非0）时自动重启。要启用这个特性，你需要在spark-submit时指定–supervise参数。其后，如果你需要杀掉一个重复失败的应用，你可能需要运行如下指令：

./bin/spark-class org.apache.spark.deploy.Client kill <master url> <driver ID>

你可以在master web UI（http://<master url>:8080）上查看驱动器ID。

资源调度

独立安装集群目前只支持简单的先进先出（FIFO）调度器。这个调度器可以支持多用户，你可以控制每个应用所使用的最大资源。默认情况下，Spark应用会申请集群中所有的CPU，这不太合理，除非你的进群同一时刻只运行一个应用。你可以通过SparkConf中的spark.cores.max，来设置一个CPU帽子以限制其使用的CPU总数。例如：

val conf = new SparkConf()
             .setMaster(...)
             .setAppName(...)
             .set("spark.cores.max", "10")
val sc = new SparkContext(conf)

另外，你也可以通过conf/spark-env.sh中的spark.deploy.defaultCores设置应用默认使用的CPU个数（特别针对没有设置spark.cores.max的应用）。

export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=<value>"

在一些共享的集群上，用户很可能忘记单独设置一个最大CPU限制，那么这个参数将很有用。

监控和日志

Spark独立安装模式提供了一个基于web的集群监控用户界面。master和每个worker都有其对应的web UI，展示集群和Spark作业的统计数据。默认情况下，你可以在master机器的8080端口上访问到这个web UI。这个端口可以通过配置文件或者命令行来设置。

另外，每个作业的详细日志，将被输出到每个slave节点上的工作目录下（默认为：${SPARK_HOME}/work）。每个Spark作业下都至少有两个日志文件，stdout和stderr，这里将包含所有的输出到控制台的信息。

和Hadoop同时运行

你可以让Spark和已有的Hadoop在同一集群上同时运行，只需要将Spark作为独立的服务启动即可。这样Spark可以通过hdfs:// URL来访问Hadoop上的数据（通常情况下是，hdfs://<namenode>:9000/path，你可以在Hadoop Namenode的web UI上找到正确的链接）。当然，你也可以为Spark部署一个独立的集群，这时候Spark仍然可以通过网络访问HDFS上的数据；这会比访问本地磁盘慢一些，但如果Spark和Hadoop集群都在同一个本地局域网内的话，问题不大（例如，你可以在Hadoop集群的每个机架上新增一些部署Spark的机器）。

网络安全端口配置

Spark会大量使用网络资源，而有些环境会设置严密的防火墙设置，以严格限制网络访问。完整的端口列表，请参考这里：security page.

高可用性

默认情况下，独立调度的集群能够容忍worker节点的失败（在Spark本身来说，它能够将失败的工作移到其他worker节点上）。然而，调度器需要master做出调度决策，而这（默认行为）会造成单点失败：如果master挂了，任何应用都不能提交和调度。为了绕过这个单点问题，我们有两种高可用方案，具体如下：

基于Zookeeper的热备master

概要

利用Zookeeper来提供领导节点选举以及一些状态数据的存储，你可以在集群中启动多个master并连接到同一个Zookeeper。其中一个将被选举为“领导”，而另一个将处于备用（standby）状态。如果“领导”挂了，则另一个master会立即被选举，并从Zookeeper恢复已挂“领导”的状态，并继续调度。整个恢复流程（从“领导”挂开始计时）可能需要1到2分钟的时间。注意，整个延时只会影响新增应用 – 已经运行的应用不会受到影响。

更多关于Zookeeper信息请参考这里：here

配置

要启用这种恢复模式，你可以在spark-env中设置 SPARK_DAEMON_JAVA_OPTS，可用的属性如下：

可能的问题：如果你有多个master，但没有正确设置好master使用Zookeeper的配置，那么这些master彼此都不可见，并且每个master都认为自己是“领导”。这件会导致整个集群处于不稳定状态（多个master都会独立地进行调度）

详细

如果你已经有一个Zookeeper集群，那么启动高可用特性是很简单的。只需要在不同节点上启动多个master，并且配置相同的Zookeeper（包括Zookeeper URL和目录）即可。masters可以随时添加和删除。

在调度新提交的Spark应用或者新增worker节点时，需要知道当前”领导“的IP地址。你只需要将以前单个的master地址替换成多个master地址即可。例如，你可以在SparkContext中设置master URL为spark://host1:port1.host2:port2。这会导致SparkContext在两个master中都进行登记 – 那么这时候，如果host1挂了，这个应用的配置同样可以在新”领导“（host2）中找到。

”在master注册“和普通操作有一个显著的区别。在Spark应用或worker启动时，它们需要找当前的”领导“master，并在该master上注册。一旦注册成功，它们的状态将被存储到Zookeeper上。如果”老领导“挂了，”新领导“将会联系所有之前注册过的Spark应用和worker并通知它们领导权的变更，所以Spark应用和worker在启动时甚至没有必要知道”新领导“的存在。

由于这一特性，新的master可以在任何时间添加进来，你唯一需要关注的就是，新的应用或worker能够访问到这个master。总之，只要应用和worker注册成功，其他的你都不用管了。

基于本地文件系统的单点恢复

概要

利用Zookeeper当然是生成环境下高可用的最佳选择，但有时候你仍然希望在master挂了的时候能够重启之，FILESYSTEM模式能帮你实现这一需求。当应用和worker注册到master的时候，他们的状态都将被写入文件系统目录中，一旦master挂了，你只需要重启master，这些状态都能够恢复。

配置

要使用这种恢复模式，你需要在spark-env中设置SPARK_DAEMON_JAVA_OPTS，可用的属性如下：

Details（详细）

• 这个解决方案可以用于和一些监控、管理系统进行串联（如：monit），或者与手动重启相结合。
• 至少，基于文件系统工单恢复总比不能恢复强；同时，这种恢复模式也会是开发或者实验场景下的不错的选择。在某些情况下，通过stop-master.sh杀死master可能不会清理其状态恢复目录下的数据，那么这时候你启动或重启master，将会进入恢复模式。这可能导致master的启动时间长达一分钟（master可能要等待之前注册的worker和客户端超时）。
• 你也可以使用NFS目录来作为数据恢复目录（虽然这不是官方声明支持的）。如果老的master挂了，你可以在另一个节点上启动master，这个master只要能访问同一个NFS目录，它就能够正确地恢复状态数据，包括之前注册的worker和应用（等价于Zookeeper模式）。后续的应用必须使用新的master来进行注册。

原创文章，转载请注明： 转载自并发编程网 – ifeve.com本文链接地址: 《Spark 官方文档》Spark独立模式