Spark On Yarn部署

本文使用的软件环境同第一篇，另增加了hadoop的环境：

1. Linux 4.4.0-62-generic #83-Ubuntu x86_64 GNU/Linux
2. java version "1.8.0_101" Java(TM) SE Runtime Environment (build 1.8.0_101-b13) Java HotSpot(TM) 64-Bit Server VM (build 25.101-b13, mixed mode)
3. Spark 2.1.0 built for Hadoop 2.7.3
4. Hadoop 2.7.3

另外扯一句题外话，由于hadoop体系的复杂，我会从最简单的层级来配置，多余的配置项不会列出。
所有机器的jdk、spark、hadoop版本，目录位置都相同。

1 hadoop配置

配置的基础是集群主机到从机的无密码ssh登录，spark需要hdfs和yarn集群同时运行。在官方文档上一句话提及了这一点：

These configs are used to write to HDFS and connect to the YARN ResourceManager.

这是一个坑，很多文章都没有强调hdfs集群配置的重要性。

1.1 hadoop核心配置

这一步主要参考Hadoop集群配置官方文档。
进入<HADOOP_DIR>/etc/hadoop/目录，为了让hadoop系列服务能够启动，首先需要修改hadoop-env.sh文件，指定JDK的目录所在。JAVA_HOME这个变量如果在.bashrc中export了，hadoop执行脚本时还是不行的，所以要在hadoop自己的配置文件中指定。无论主从机都需要。
接着修改hadoop的一些核心配置，修改同目录下的core-site.xml文件，指定hdfs的NameNode的位置：

这个配置也是主从机都需要的。

1.2 hdfs集群配置

接着配置hdfs集群，需要修改同目录下的hdfs-site.xml文件，这个主从机有所不同，对于namenode，需要指定namenode存放文件的路径：

对于datanode，需要指定datanode存放文件的路径：

然后需要在各个机器上建立好指定的目录。

修改同目录下的slaves文件，将从机名称一机一行写入。
在主机<HADOOP_DIR>下执行Name Node的初始化及集群的启动脚本：

./bin/hdfs namenode -format
./sbin/start-dfs.sh

需要检验一下hdfs集群是否成功，这里再次说明，不要相信jps的输出，即便jps的输出完备，各种角色都列出了，也不一定说明集群能正常运行了，只有从web控制台看到主从机的信息才算配置正常了。
hdfs的默认web端口在50070，用浏览器访问Name Node的50070端口就可以看到结果：

Live Nodes可以点开看每个slave机器的信息。

1.3 yarn集群配置

修改同目录下的yarn-site.xml文件，设定yarn.resourcemanager.hostname为Resource Manager主机名，主从机都需要：

在主机<HADOOP_DIR>下执行Yarn的启动脚本

./sbin/start-yarn.sh

yarn的web控制台默认端口是8088，访问Resouce Manager所在主机的8088端口就可以看到yarn的集群情况：

2 spark配置

修改<SPARK_DIR>/conf目录下的spark-env.sh文件，将HADOOP_CONF_DIR变量指定到hadoop配置文件目录并导出。

这个配置的修改是所有spark所在主机都要的。
由于之前已经搭建过了独立模式的集群，也为了控制台执行spark命令行时少输入点参数，还需要修改同目录下的spark-defaults.conf文件，将spark.master指定为yarn，同时修改默认的部署方式，将spark.submit.deployMode指定为cluster。这个修改也要应用到所有的spark中：

3 运行

在集群中任意机器上执行以下测试看看结果：

在spark-submit运行过程中，yarn的web控制台Applications界面会进行展示：

点击Tracking UI栏中的链接，就可以看到熟悉的spark作业运行界面，这个界面只有spark作业运行期可以看到。

如果需要中止运行，需要在yarn的web控制台Applications界面通过Application ID一列中的链接进入Application的详情界面，在左上角有个Kill Application按钮：