在YARN上執行Spark

配置

大部分是Spark on YARN模式提供的配置與其它部署模式提供的配置相同。下面這些是Spark on YARN模式提供的配置選擇。

Spark 屬性

Property Name Default Meaning
spark.yarn.applicationMaster.waitTries 10 ApplicationMaster等待Spark master的次數以及SparkContext初始化嘗試的次數
spark.yarn.submit.file.replication HDFS 預設的複製次數(3) 上傳到HDFS的文件的HDFS複製水準。這些文件包括Spark jar、app jar以及任何分布式記憶體文件/檔案
spark.yarn.preserve.staging.files false 預設為true,在作業結束時保留階段性文件(Spark jar、app jar以及任何分布式記憶體文件)而非刪除他們
spark.yarn.scheduler.heartbeat.interval-ms 5000 Spark application master給YARN ResourceManager傳送心跳的時間間隔(ms)
spark.yarn.max.executor.failures numExecutors * 2,最小為3 失敗應用程式之前最大的執行失敗次數
spark.yarn.historyServer.address (none) Spark歷史服務器(如host.com:18080)的位置。這位置不應該包含一個模式(http://)。預設情況下下沒有設定值,是因為該選項是一個可選選項。當Spark應用程式完成以ResourceManager UI到Spark歷史服務器UI的連結時,這個位址可從YARN ResourceManager得到
spark.yarn.dist.archives (none) 抓取逗號分隔的檔案列表到每一個執行器的工作目錄
spark.yarn.dist.files (none) 放置逗號分隔的文件列表到每個執行器的工作目錄
spark.yarn.executor.memoryOverhead executorMemory * 0.07,最小384 配給每個執行器的記憶體大小(以MB為單位)。它屬VM 消耗、interned字符串或者其他本地消耗用的記憶體。這往往隨著執行器大小而增加。(典型情況下是6%-10%)
spark.yarn.driver.memoryOverhead driverMemory * 0.07,最小384 分配给每個driver的記憶體大小(以MB為單位)。它屬VM 消耗、interned字符串或者其他本地消耗用的記憶體。這會隨著執行器大小而增加。(典型情況下是6%-10%)
spark.yarn.queue default 應用程式傳送到的YARN 隊列的名稱
spark.yarn.jar (none) Spark jar文件的位置,會覆蓋預設的位置。預設情況下,Spark on YARN將會用到本地安裝的Spark jar。但是Spark jar也可以是HDFS中的一個公共位置。這讓YARN記憶體它到節點上,而不用在每次運作應用程式時都需要分配。指向HDFS中的jar包,可以這個參數為"hdfs:///some/path"
spark.yarn.access.namenodes (none) 你的Spark應用程式訪問的HDFS namenode列表。例如,spark.yarn.access.namenodes=hdfs://nn1.com:8032,hdfs://nn2.com:8032,Spark應用程式必須訪問namenode列表,Kerberos必須正確被配置以訪問他們。Spark獲得namenode的安全通過,這樣Spark應用程式就能訪問這些遠端的HDFS集群。
spark.yarn.containerLauncherMaxThreads 25 為了啟動執行者容器,應用程式master用到的最大線程數量
spark.yarn.appMasterEnv.[EnvironmentVariableName] (none) 增加通過EnvironmentVariableName指定的環境變量到Application Master處理YARN上的啟動。用户可以指定多個設定,從而設定多個環境變數。在yarn-cluster模式下,這控制著Spark driver的環境。在yarn-client模式下,這僅僅控制執行器啟動者的環境。

在YARN上啟動Spark

確保HADOOP_CONF_DIRYARN_CONF_DIR指向的目錄包含Hadoop集群的(客戶端)配置文件。這些配置用於寫資料到dfs與YARN ResourceManager。

有兩種佈署模式可以用在YARN上啟動Spark應用程式。在yarn-cluster模式下,Spark driver執行在application master中,這個程序被集群中的YARN所管理,客戶端會在初始化應用程式 之后关闭。在yarn-client模式下,driver运行在客户端进程中,application master仅仅用来向YARN请求资源。

和Spark獨立模式以及Mesos模式不同,這些模式中,master的位置由"master"參數指定,而在YARN模式下,ResourceManager的位置從Hadoop配置取得。因此master參數是簡單的yarn-clientyarn-cluster

在yarn-cluster模式下啟動Spark應用程式。

./bin/spark-submit --class path.to.your.Class --master yarn-cluster [options] <app jar> [app options]

例如:

$ ./bin/spark-submit --class org.apache.spark.examples.SparkPi \
    --master yarn-cluster \
    --num-executors 3 \
    --driver-memory 4g \
    --executor-memory 2g \
    --executor-cores 1 \
    --queue thequeue \
    lib/spark-examples*.jar \
    10

以上啟動了一個YARN客戶端程式用來啟動預設的 Application Master,然後SparkPi會作為Application Master的子線程運作。客戶端會定期訪問Application Master作狀態更新並且江更新顯示在控制台上。一旦應用程式執行完畢,客戶端就會退出。

在yarn-client模式下啟動Spark應用程式,執行下面的shell脚本

$ ./bin/spark-shell --master yarn-client

增加其他的jar

在yarn-cluster模式下,driver執行在不同機器上,所以離開了保存在本地客戶端的文件,SparkContext.addJar將不會作事。為了讓SparkContext.addJar用到保存在客戶端的文件, 可以在啟動命令列上加--jars選項。

$ ./bin/spark-submit --class my.main.Class \
    --master yarn-cluster \
    --jars my-other-jar.jar,my-other-other-jar.jar
    my-main-jar.jar
    app_arg1 app_arg2

注意事項

  • 在Hadoop 2.2之前,YARN不支持容器核的資源請求。因此,當執行早期版本時,通過命令行參數指定CPU的數量無法傳遞到YARN。在調度決策中,CPU需求是否成功兌現取決於用哪個調度器以及如何配置他
  • Spark executors使用的本地目錄將會YARN配置(yarn.nodemanager.local-dirs)的本地目錄。如果用戶指定了spark.local.dir,他將被忽略。
  • --files--archives選項支援指定帶有 # 符號的文件名稱。例如,你能夠指定--files localtest.txt#appSees.txt,它上傳你在本地命名為localtest.txt的文件到HDFS,但是將會連結道明稱為appSees.txt。當你的應用程式執行在YARN上時,你應該用appSees.txt去引用該文件。
  • 如果你在yarn-cluster模式下執行SparkContext.addJar,並且用到了本地文件, --jars選項允許SparkContext.addJar函數能夠工作。如果你正在使用 HDFS, HTTP, HTTPS或FTP,你不需要用到該選項

results matching ""

    No results matching ""