Spark on YARN

Spark on YARN 基本概念

1. YARN（Yet Another Resource Negotiator）： 是 Hadoop 生态系统的一部分，用于集群资源管理和作业调度。
2. Spark on YARN: 是指在 YARN 上运行 Spark 应用程序，利用 YARN 来管理资源和调度任务。

Spark on YARN 的运行模式

1. Cluster 模式： 在这种模式下，Spark Driver 运行在 YARN 集群的一个节点上，适合长时间运行的作业。
2. Client 模式： 在这种模式下，Spark Driver 运行在提交应用程序的客户端机器上，适合开发和调试。

Spark on YARN 的配置

为了在 YARN 上运行 Spark，需要进行一些配置：

1. yarn-site.xml: 这是 YARN 的配置文件，通常位于 Hadoop 配置目录中。你需要确保这个文件在 Spark 配置中可以访问。

2. spark-env.sh: 这是 Spark 的环境配置文件。你需要设置一些环境变量，比如 SPARK_HOME, HADOOP_CONF_DIR 等。

3. spark-defaults.conf: 这是 Spark 的默认配置文件，可以在这里设置 Spark 作业的一些默认参数，比如 master URL（yarn）、deploy mode（client 或 cluster）、executor 内存等。

提交 Spark 作业到 YARN

可以使用 spark-submit 命令将 Spark 作业提交到 YARN 上运行：

spark-submit \
  --class <main-class> \
  --master yarn \
  --deploy-mode cluster \
  --executor-memory 4g \
  --executor-cores 2 \
  <application-jar> \
  [application-arguments]

注意事项

1. 资源配置： 根据作业的需求合理配置 executor 内存和核心数量，避免资源浪费或不足。
2. 日志查看： 在 YARN 上运行的 Spark 作业的日志可以通过 YARN ResourceManager 或 YARN History Server 查看，帮助你调试和优化作业。
3. 依赖管理： 如果你的 Spark 作业有外部依赖库，需要确保这些库可以被 YARN 节点访问，可以通过 --jars 参数指定依赖库路径。

例子

假设你有一个 Spark 应用程序，主类是 com.example.MyApp，打包后的 jar 文件名是 myapp.jar，你可以用以下命令提交到 YARN 上运行：

spark-submit \
  --class com.example.MyApp \
  --master yarn \
  --deploy-mode cluster \
  --executor-memory 4g \
  --executor-cores 2 \
  myapp.jar