update

content/post/spark.md

@@ -0,0 +1,100 @@
+---
+title: "spark on yarn 部署"
+date: 2023-05-23T12:00:00+08:00
+lastmod: 2024-07-19T17:00:00+08:00
+keywords: []
+tags: ["hadoop", "spark"]
+categories: ["hadoop"]
+---
+
+## 环境
+操作系统 | 主机名 | 地址 | 运行组件
+---- | ---- | ---- | ----
+Rocky9 | hdp-nn      | 192.168.8.1/24  | Namenode
+Rocky9 | hdp-snn     | 192.168.8.2/24  | SecondaryNamenode
+Rocky9 | hdp-rm      | 192.168.8.3/24  | ResourceManager
+Rocky9 | hdp-slave10 | 192.168.8.10/24 | Datanode, NodeManager
+Rocky9 | hdp-slave11 | 192.168.8.11/24 | Datanode, NodeManager
+
+## 前提
+- [已部署好 hadoop 2.10](/post/hdp2)
+
+## 部署 spark 环境
+- 在**全部主机**上执行如下操作
+- 下载 spark-3.3.4-bin-hadoop2.tgz，解压
+	```bash
+    curl -LO https://archive.apache.org/dist/spark/spark-3.3.4/spark-3.3.4-bin-hadoop2.tgz
+    tar zxf spark-3.3.4-bin-hadoop2.tgz
+    mv spark-3.3.4-bin-hadoop2 /opt/spark
+	```
+
+- 配置 spark 环境变量
+    ```bash
+    echo 'export SPARK_HOME=/opt/spark' > /etc/profile.d/spark.sh
+    echo 'export PATH=$SPARK_HOME/bin:$PATH' >> /etc/profile.d/spark.sh
+    # 不推荐把 $SPARK_HOME/sbin 加入环境变量 PATH，避免与 hadoop 冲突
+    source /etc/profile.d/spark.sh
+    ```
+
+### 修改 yarn-site.xml
+- 在**全部主机**上[关闭 yarn 虚拟内存检查](/post/hdp2/#修改-yarn-sitexml)
+
+### 修改 capacity-scheduler.xml
+- 在**全部主机**上执行如下操作
+- 编辑 $HADOOP_HOME/etc/hadoop/capacity-scheduler.xml，修改内容如下
+    ```xml
+    <configuration>
+      <property>
+        <name>yarn.scheduler.capacity.resource-calculator</name>
+        <!-- <value>org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator</value> -->
+        <value>org.apache.hadoop.yarn.util.resource.DominantResourceCalculator</value>
+        </description>
+      </property>
+    </configuration>
+    ```
+
+### 创建 spark-defaults.conf
+- 在**全部主机**上执行如下操作
+- 创建 $SPARK_HOME/conf/spark-defaults.conf，参考内容如下
+    ```
+    spark.master                     yarn
+    spark.eventLog.enabled           true
+    spark.eventLog.dir               hdfs://hdp-nn:8020/spark-logs
+    ```
+
+### 修改 spark-env.sh
+- 在**全部主机**上执行如下操作
+- 创建 $SPARK_HOME/conf/spark-env.sh，参考内容如下
+    ```bash
+    export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
+    export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.fs.logDirectory=hdfs://hdp-nn:8020/spark-logs -Dspark.history.retainedApplications=30"
+    ```
+
+### 创建 spark 日志目录
+- 在 **hdp-nn** 上创建 spark 日志目录
+    ```bash
+    hdfs dfs -mkdir /spark-logs
+    ```
+
+## 启动 spark 日志服务
+- 在**任一主机** 上启动日志服务
+    ```bash
+    /opt/spark/sbin/start-history-server.sh
+    ```
+
+## 发布任务
+- 客户端模式
+    ```bash
+    spark-shell
+    ```
+
+- 集群模式
+    ```bash
+    spark-submit \
+        --class org.apache.spark.examples.SparkPi \
+        --deploy-mode cluster \
+        $SPARK_HOME/examples/jars/spark-examples_2.12-3.3.4.jar
+    ```
+
+- 浏览器访问 http://{spark 日志服务器}:18080 查看任务进度
+