一、作业提交

1.1 spark-submit

Spark所有模式均使用spark-submit命令提交作业，其格式如下：

./bin/spark-submit \
  --class <main-class> \        # 应用程序主入口类
  --master <master-url> \       # 集群的Master Url
  --deploy-mode <deploy-mode> \ # 部署模式
  --conf <key>=<value> \        # 可选配置       
  ... # other options    
  <application-jar> \           # Jar包路径 
  [application-arguments]       #传递给主入口类的参数

需要注意的是：在集群环境下，application-jar必须能被集群中所有节点都能访问，可以是HDFS上的路径；也可以是本地文件系统路径，如果是本地文件系统路径，则要求集群中每一个机器节点上的相同路径都存在该Jar包。

1.2 deploy-mode

deploy-mode有cluster和client两个可选参数，默认为client。这里以Spark On Yarn模式对两者的区别进行说明 ：

• 在cluster模式下，Spark Drvier在应用程序的Master进程内运行，该进程由群集上的YARN管理，提交作业的客户端可以在启动应用程序后关闭；
• 在client模式下，Spark Drvier在提交作业的客户端进程中运行，Master进程仅用于从YARN请求资源。

1.3 master-url

master-url的所有可选参数如下表所示：

Master URL	Meaning
local	使用一个线程本地运行Spark
local[K]	使用 K 个 worker 线程本地运行 Spark
local[K,F]	使用 K 个 worker 线程本地运行 , 第二个参数为Task的失败重试次数
local[*]	使用与CPU核心数一样的线程数在本地运行Spark
local[*,F]	使用与CPU核心数一样的线程数在本地运行Spark 第二个参数为Task的失败重试次数
spark://HOST:PORT	连接至指定的 standalone 集群的 master 节点。端口号默认是 7077。
spark://HOST1:PORT1,HOST2:PORT2	如果standalone集群采用Zookeeper实现高可用，则必须包含由zookeeper设置的所有master主机地址。
mesos://HOST:PORT	连接至给定的Mesos集群。端口默认是 5050。对于使用了 ZooKeeper 的 Mesos cluster 来说，使用 mesos://zk://...来指定地址，使用 --deploy-mode cluster模式来提交。
yarn	连接至一个 YARN 集群，集群由配置的 HADOOP_CONF_DIR 或者 YARN_CONF_DIR 来决定。使用--deploy-mode参数来配置client 或cluster 模式。

下面主要介绍三种常用部署模式及对应的作业提交方式。

二、Local模式

Local模式下提交作业最为简单，不需要进行任何配置，提交命令如下：

# 本地模式提交应用
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
/usr/app/spark-2.4.0-bin-hadoop2.6/examples/jars/spark-examples_2.11-2.4.0.jar \
100   # 传给SparkPi的参数

spark-examples_2.11-2.4.0.jar是Spark提供的测试用例包，SparkPi用于计算Pi值，执行结果如下：

三、Standalone模式

Standalone是Spark提供的一种内置的集群模式，采用内置的资源管理器进行管理。下面按照如图所示演示1个Mater和2个Worker节点的集群配置，这里使用两台主机进行演示：

• hadoop001： 由于只有两台主机，所以hadoop001既是Master节点，也是Worker节点;
• hadoop002 ： Worker节点。

3.1 环境配置

首先需要保证Spark已经解压在两台主机的相同路径上。然后进入hadoop001的${SPARK_HOME}/conf/目录下，拷贝配置样本并进行相关配置：

# cp spark-env.sh.template spark-env.sh

在spark-env.sh中配置JDK的目录，完成后将该配置使用scp命令分发到hadoop002上：

# JDK安装位置
JAVA_HOME=/usr/java/jdk1.8.0_201

3.2 集群配置

在${SPARK_HOME}/conf/目录下，拷贝集群配置样本并进行相关配置：

# cp slaves.template slaves

指定所有Worker节点的主机名：

# A Spark Worker will be started on each of the machines listed below.
hadoop001
hadoop002

这里需要注意以下三点：

• 主机名与IP地址的映射必须在/etc/hosts文件中已经配置，否则就直接使用IP地址；
• 每个主机名必须独占一行；
• Spark的Master主机是通过SSH访问所有的Worker节点，所以需要预先配置免密登录。

3.3 启动

使用start-all.sh代表启动Master和所有Worker服务。

./sbin/start-master.sh

访问8080端口，查看Spark的Web-UI界面,，此时应该显示有两个有效的工作节点：

3.4 提交作业

# 以client模式提交到standalone集群 
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://hadoop001:7077 \
--executor-memory 2G \
--total-executor-cores 10 \
/usr/app/spark-2.4.0-bin-hadoop2.6/examples/jars/spark-examples_2.11-2.4.0.jar \
100

# 以cluster模式提交到standalone集群 
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://207.184.161.138:7077 \
--deploy-mode cluster \
--supervise \  # 配置此参数代表开启监督，如果主应用程序异常退出，则自动重启Driver
--executor-memory 2G \
--total-executor-cores 10 \
/usr/app/spark-2.4.0-bin-hadoop2.6/examples/jars/spark-examples_2.11-2.4.0.jar \
100

3.5 可选配置

在虚拟机上提交作业时经常出现一个的问题是作业无法申请�足够的资源：

Initial job has not accepted any resources; 
check your cluster UI to ensure that workers are registered and have sufficient resources

这时候可以查看Web UI，我这里是内存空间不足：提交命令中要求作业的executor-memory是2G，但是实际的工作节点的Memory只有1G，这时候你可以修改--executor-memory，也可以修改 Woker 的Memory，其默认值为主机所有可用内存值减去1G。

关于Master和Woker节点的所有可选配置如下，可以在spark-env.sh中进行对应的配置：

Environment Variable（环境变量）	Meaning（含义）
SPARK_MASTER_HOST	master 节点地址
SPARK_MASTER_PORT	master 节点地址端口（默认：7077）
SPARK_MASTER_WEBUI_PORT	master 的 web UI 的端口（默认：8080）
SPARK_MASTER_OPTS	仅用于 master 的配置属性，格式是 “-Dx=y”（默认：none）,所有属性可以参考官方文档：spark-standalone-mode
SPARK_LOCAL_DIRS	spark 的临时存储的目录，用于暂存map的输出和持久化存储RDDs。多个目录用逗号分隔
SPARK_WORKER_CORES	spark worker节点可以使用CPU Cores的数量。（默认：全部可用）
SPARK_WORKER_MEMORY	spark worker节点可以使用的内存数量（默认：全部的内存减去1GB）；
SPARK_WORKER_PORT	spark worker节点的端口（默认： random（随机））
SPARK_WORKER_WEBUI_PORT	worker 的 web UI 的 Port（端口）（默认：8081）
SPARK_WORKER_DIR	worker运行应用程序的目录，这个目录中包含日志和暂存空间（default：SPARK_HOME/work）
SPARK_WORKER_OPTS	仅用于 worker 的配置属性，格式是 “-Dx=y”（默认：none）。所有属性可以参考官方文档：spark-standalone-mode
SPARK_DAEMON_MEMORY	分配给 spark master 和 worker 守护进程的内存。（默认： 1G）
SPARK_DAEMON_JAVA_OPTS	spark master 和 worker 守护进程的 JVM 选项，格式是 “-Dx=y”（默认：none）
SPARK_PUBLIC_DNS	spark master 和 worker 的公开 DNS 名称。（默认：none）

三、Spark on Yarn模式

Spark支持将作业提交到Yarn上运行，此时不需要启动Master节点，也不需要启动Worker节点。

3.1 配置

在spark-env.sh中配置hadoop的配置目录的位置，可以使用YARN_CONF_DIR或HADOOP_CONF_DIR进行指定：

YARN_CONF_DIR=/usr/app/hadoop-2.6.0-cdh5.15.2/etc/hadoop
# JDK安装位置
JAVA_HOME=/usr/java/jdk1.8.0_201

3.2 启动

必须要保证Hadoop已经启动，这里包括YARN和HDFS都需要启动，因为在计算过程中Spark会使用HDFS存储临时文件，如果HDFS没有启动，则会抛出异常。

# start-yarn.sh
# start-dfs.sh

3.3 提交应用

# 以client模式提交到yarn集群 
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--executor-memory 2G \
--num-executors 10 \
/usr/app/spark-2.4.0-bin-hadoop2.6/examples/jars/spark-examples_2.11-2.4.0.jar \
100

#  以cluster模式提交到yarn集群 
spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--executor-memory 2G \
--num-executors 10 \
/usr/app/spark-2.4.0-bin-hadoop2.6/examples/jars/spark-examples_2.11-2.4.0.jar \
100