（2）spark运行模式
spark运行模式
下面我们来看一下spark的运行模式，根据上一篇博客我们知道spark的运行模式分为以下几种：local、standalone、hadoop yarn。我们说本地开发最好用local模式，直接搭建一个spark环境就可以跑了，因为测试的话本地是最方便的。standalone，用的比较少。hadoop yarn，这个是用的最多的，用spark的公司至少有70%是用yarn这个模式的。yarn是一个资源管理器，我们后面会说。下面我们就来讲解这几种运行模式。
local运行模式
这个模式应该是最熟悉的模式了，因为我们之前介绍RDD的时候用的就是这个模式，所以我们看到在编写代码的时候，进行测试使用local模式是足够的。
我们之前用的pyspark shell，这个是为了方便本地测试的，以及我们还知道了如何向spark提交一个作业，使用spark-submit，我们当时是这么提交的：
spark-submit --master local[*] --name 古明地觉 xxx.py如果你有自己写的依赖，那么把依赖打包成一个zip或者egg，spark-submit --master local[*] --name 古明地觉 --py-files xxx.egg xxx.py arg1 arg2，如果还需要从命令行传入参数，那么跟在用于启动的py文件的后面就可以了。当然我们启动pyspark shell的时候也可以指定--master和--name，我们说使用哪种运行模式其实就是通过--master来指定的，local[*]就是本地模式，默认使用全部的核。如果不指定--master，那么默认是local
所以local模式是比较简单的，一般在测试的时候使用。先取出少量数据，然后先把功能跑通再说。其实不管是什么模式，我们代码是不需要变的，只是换了一种模式运行，这也是spark非常方便的地方。
standalone运行模式
standalone是spark装好之后自带的模式，怎么搭建standalone了。首先你要保证你有多台机器，对于standalone模式，肯定有一台机器是master，剩下的属于worker，下面我们就来演示如何搭建。
首先在SPARK_HOME目录的conf目录下有一个spark_env.sh，打开。
# 这里面的代码全部被注释掉了，我们需要什么直接拷贝在底下即可 # 这个是JAVA_HOME,我之前没有说spark环境怎么搭，因为这些网上都有，所以这里再提一遍 # 这个配置jdk export JAVA_HOME=/opt/java/jdk1.8.0_221/ # 这里的是我们的关键，我们导出了SPARK_MASTER_HOST和SPARK_MASTER_PORT # 那么spark001就是我们集群的master，或者你输入ip也可以 export SPARK_MASTER_HOST=spark001 export SPARK_MASTER_PORT=7077 # 这个是我们在使用spark-submit的时候保证执行的python解释器为python3 export PYSPARK_PYTHON=/usr/bin/python3
然后再打开slaves，我们spark001是我们当前的master，假设我们还有三台机器，分别是spark002、spark003、spark004，那么就直接把主机名或者ip地址写上去即可
spark001 spark002 spark003 spark004
显然对master机器就已经配置好了，然后把这个spark目录完整的拷贝到其它三台机器的相同目录下即可。是的，只要把master配置好，那么其它的机器只需要得到一份拷贝即可。那么spark集群在启动之后，读取spark-env.sh就知道master是我们的spark001，而根据slaves知道spark002、spark003、spark004是worker，那么内部就会进行通信之类的。
但是我这里只有一台机器，因此我们就用一台机器模拟standalone，配置方式是一样的，如果是一台机器的话，就这么配。
#### spark-env.sh #### export SPARK_MASTER_HOST=localhost export SPARK_MASTER_PORT=7077 #### slaves #### localhost
然后我们就可以启动spark集群了，在sbin目录。我们先执行start-master.sh，然后执行start-slaves.sh，不过更简单的，我们直接执行start-all.sh也是可以的。
输入jps，如果出现了master和worker，说明启动成功了。
除此之外，我们还可以通过webUI查看，spark集群的端口默认是8080，如果被占用会尝试+1，变成8081，所以端口不是8080也不要觉得奇怪。
我这里已经启动了，但是由于是一台机器，所以worker只有一个，它既是worker也是master。
关于端口的问题，我们在上一篇博客中看到了4040，那么是查看pyspark任务的端口；图片上面还写了大大的7077，这个就是我们在spark-env.sh中设置的端口，这个端口指定的master和worker进行rpc通信的时候使用的端口(如果我们在spark-env.sh中不设置，那么默认也是7077)。不同机器要进行访问肯定要指定ip和端口；然后就是我们这里的8080，这个是spark集群的webUI端口。
下面我们来走一个，pyspark --master spark://127.0.0.1:7077，我们看到--master指定的不再是local了，而是我们集群的地址。
我们看到运行的应用多了一个，因为我们以standalone的模式启动了pyspark shell。
好啦，我们知道以standalone模式启动pyspark shell，那么如何使用submit提交作业呢？答案很简单，把使用local模式提交作业的命令copy下来，把local[*]改成我们的spark集群：spark://127.0.0.1:7077就完事了，非常简单吧，这里就不演示了。另外需要注意的是：如果使用standalone模式测试的时候需要读取本地文件，那么你要保证所有节点在指定目录下都存在这样的一个文件。
yarn运行模式
最后我们来看一下yarn模式，我们之前说了yarn是使用spark的公司采用的最多的一个模式。使用yarn模式的时候，spark充当一个客户端，它需要做的事情就是提交作业到yarn上去执行。那么yarn它和standalone模式之前有什么区别呢？
yarn：你只需要一个节点，然后提交作业即可，这个是不需要spark集群的(不需要启动master和worker)。standalone：你的spark集群上每个节点都需要部署spark
那么如何把作业提交到yarn上运行呢？很简单，直接--master local换成--master yarn即可。
# 1.py from pyspark import SparkContext sc = SparkContext() rdd = sc.parallelize([1, 2, 3, 4, 5]) print(rdd.map(lambda x: x + 1).collect())
spark-submit --master yarn --name satori 1.py
[ ~]# spark-submit --master yarn --name satori 1.py
Exception in thread "main" org.apache.spark.SparkException: When running with master 'yarn' either HADOOP_CONF_DIR or YARN_CONF_DIR must be set in the environment.
at org.apache.spark.deploy.SparkSubmitArguments.error(SparkSubmitArguments.scala:657)
at org.apache.spark.deploy.SparkSubmitArguments.validateSubmitArguments(SparkSubmitArguments.scala:290)
at org.apache.spark.deploy.SparkSubmitArguments.validateArguments(SparkSubmitArguments.scala:251)
at org.apache.spark.deploy.SparkSubmitArguments.<init>(SparkSubmitArguments.scala:120)
at org.apache.spark.deploy.SparkSubmit$$anon$2$$anon$1.<init>(SparkSubmit.scala:911)
at org.apache.spark.deploy.SparkSubmit$$anon$2.parseArguments(SparkSubmit.scala:911)
at org.apache.spark.deploy.SparkSubmit.doSubmit(SparkSubmit.scala:81)
at org.apache.spark.deploy.SparkSubmit$$anon$2.doSubmit(SparkSubmit.scala:924)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:933)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
[ ~]#但是我们看到报错了，根据报错信息我们知道，如果想提交到yarn上去执行，那么必须配置HADOOP_CONF_DIR或者YARN_CONF_DIR，意思就是hadoop配置文件所在的目录，那么我们拷贝一下呗，然后指定到spark-env.sh里面去。
export HADOOP_CONF_DIR=/opt/hadoop/hadoop-2.6.0-cdh5.8.5/etc/hadoop
然后再来启动，但是注意哈，yarn必须要已经启动才可以。
输入jps，要能看到NodeManager和ResourceManager。
输出的内容非常非常多，但是我们已经看到了输出的结果，说明提交到yarn上是执行成功了的。会比较慢，因为需要到yarn上申请资源等一系列操作。
关于提交到yarn上执行作业，还有两种模式，--deploy-mode client，--deploy-mode cluster。它们有什么区别的？
client：提交作业的进程是不能停止的，否则作业就挂了cluster：提交完作业，进程就可以断开了，因为driver是运行在am里面的。
这里面出现了一些概念，我们会在后面的博客中说，以及spark的架构等等。目前不需要理解这么多概念性的东西，学习起来会非常的累，所以我们之前介绍RDD的时候直接使用的local模式，而且还是使用的是交互式这种模式。因为RDD的语法跟你用的什么模式没有关系，我们既然学习语法就学习语法，涉及到的概念的东西越少越好。再比如这里的运行模式，我们就只需要知道有这三种运行模式、以及怎么指定即可。像yarn、driver、Manager、Application等等等等概念性的东西我们会采用图文的形式单独说。目前只需要知道，运行模式不同对代码没有影响，我们的代码只需要写一份，需要什么模式，直接--master指定即可。如果指定yarn，还可以指定--deploy-mode。