Spark 部署模式

一、Local 模式

所谓 Local 模式，就是不需要其他任何节点资源就可以在本地执行 Spark 代码的环境，一般用于教学、调试、演示等。

1.1 提交应用命令

bash 复制代码

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

--class 表示要执行程序的主类；
--master local $2$ 表示部署模式，默认为本地模式，数字表示分配的虚拟 CPU 核数；
默认 Web UI 端口为 4040

二、Standalone 模式

Spark 自身节点运行的集群模式，由 Spark 自身提供计算资源，无需其他框架提供资源，经典的 master-slave 模式。默认 Web UI 端口为 8080。

2.1 提交应用命令

bash 复制代码

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

2.2 参数说明

|------------------------|-------------------------|------------------------------------------|
| 参数 | 解释 | 可选值举例 |
| --class | Spark 程序中包含主函数的类 | |
| --master | Spark 程序运行的模式(环境) | 模式：local $\*$ 、spark://linux1:7077、 Yarn |
| --total-executor-cores | 指定所有 executor 使用的cpu 核数 | |
| --executor-cores | 指定每个 executor 使用的cpu 核数 | |
| --executor-memory | 指定每个 executor 可用内存 | |

三、Yarn 模式

使用 Yarn 作为资源调度框架，执行 Spark 任务前需要先启动 HDFS 以及 YARN 集群。根据 Driver 运行的位置，又分为 Cluster 模式和 Client 模式。

3.1 Cluster 模式

3.1.1 特点

Driver 程序在 Yarn 集群的 ApplicationMaster 中运行；
客户端提交作业后可以断开连接
完整的资源管理和作业监控由 Yarn 负责
Driver 故障可由 Yarn 重启
网络要求较低

3.1.2 提交应用命令

bash 复制代码

bin/spark-submit \
  --class com.example.SparkApp \
  --master yarn \
  --deploy-mode cluster \
  --executor-memory 2g \
  --num-executors 4 \
  /path/to/your-app.jar

3.1.3 参数说明

|-------------------|--------------------------|
| 参数 | 解释 |
| --class | Spark 程序中包含主函数的类 |
| --master | Spark 程序运行的模式(环境) |
| --deploy-mode | 指定提交模式 |
| --driver-cores | 指定 Driver 可用的 cpu 核数 |
| --driver-memory | 指定 Driver 可用内存 |
| --num-executors | 指定 executor 个数 |
| --executor-cores | 指定每个 executor 可用的 cpu 核数 |
| --executor-memory | 指定每个 executor 可用内存 |

3.1.4 工作流程

用户提交应用 ：通过 spark-submit 从客户端机器提交作业，并指定 --deploy-mode cluster。
ResourceManager 分配容器：ResourceManager（RM）找到一个合适的 NodeManager（NM）节点，并在该节点上启动一个容器来运行 ApplicationMaster。
启动 ApplicationMaster（内含 Spark Driver）：在这个容器中，启动的正是 Spark ApplicationMaster，它本身包含了 Spark Driver 程序。
Driver 注册并申请资源：Driver 向 ResourceManager 注册应用，并申请用于运行 Spark Executor 的资源容器。
启动 Executors：ResourceManager 指示其他 NodeManagers 启动 Executor 容器。这些 Executors 启动后会直接与在 AM 中的 Driver 通信。
执行应用：Driver 调度任务到各个 Executor 上执行。
应用结束：所有任务执行完毕后，Driver 向 ResourceManager 注销，并关闭自己所在的 AM 容器。

3.2 Client 模式

3.2.1 特点

Driver 在客户端：客户端必须在整个应用运行期间保持网络连通。
适合交互和调试 ：spark-shell 和 pyspark 默认使用此模式，因为 Driver 在本地，用户可以即时看到输出并与 Spark 进行交互。
日志直观：Driver 的日志直接输出在客户端的控制台，方便实时调试。
不适合生产：如果客户端断开或关闭，整个应用会失败。

3.2.2 提交应用命令

bash 复制代码

bin/spark-submit \
--master yarn \
--deploy-mode client \
--driver-cores 2 \
--driver-memory 4g \
--num-executors 4 \
--executor-cores 3 \
--executor-memory 4g \
--conf spark.sql.shuffle.partitions=24 \
--conf spark.default.parallelism=24 \
--conf spark.ui.port=8095 \
--jars /data/job/spark/lib/test-withoutdep.jar \
--class com.example.SparkApp \
/data/job/spark/test.jar

3.2.3 参数说明

|------------------------------|-----------------------------|
| 参数 | 解释 |
| --class | Spark 程序中包含主函数的类 |
| --master | Spark 程序运行的模式(环境) |
| --deploy-mode | 指定提交模式 |
| --driver-cores | 指定 Driver 可用的 cpu 核数 |
| --driver-memory | 指定 Driver 可用内存 |
| --num-executors | 指定 executor 个数 |
| --executor-cores | 指定每个 executor 可用的 cpu 核数 |
| --executor-memory | 指定每个 executor 可用内存 |
| spark.sql.shuffle.partitions | 设置 Spark SQL shuffle 操作的分区数 |
| spark.default.parallelism | 设置 RDD 的默认并行度 |
| spark.ui.port | 设置 Spark Web UI 的端口号 |
| --jars | 指定额外的依赖 JAR 包路径 |

3.2.4 工作流程

用户提交应用 ：通过 spark-submit 或 spark-shell 从客户端机器提交作业，默认或指定 --deploy-mode client。
启动 Driver：Spark Driver 直接在客户端 JVM 中启动。
Driver 向 YARN 申请 AM：Driver 直接与 ResourceManager 通信，请求启动一个 ApplicationMaster。
ResourceManager 启动 AM ：RM 找到一个 NM 节点并启动一个轻量级的 ApplicationMaster 容器。这个 AM 的主要职责是向 RM 申请 Executor 资源，它不包含 Spark Driver。
启动 Executors ：ResourceManager 指示 NodeManagers 启动 Executor 容器。这些 Executors 启动后会与运行在客户端的 Driver 通信。
执行应用：Driver（在客户端）调度任务到各个 Executor 上执行。
应用结束：所有任务执行完毕后，Executor 容器被释放，AM 容器也被关闭。但客户端的 Driver 进程会退出。

四、K8s & Mesos 模式

使用 K8s 或者 Mesos 作为资源调度框架。