大数据基础系列之提交spark应用及依赖管理

在Spark的bin目录下的spark-submit脚本用于提交一个任务到集群中。因为是针对所有的集群管理器统一接口(local，Standalone，yarn，mesos)，所以不必为每一个集群管理器进行特殊的配置。

一，打包应用的依赖

如果你的代码依赖于其它工程，你需要将它们和你的应用一起打包，目的是将这些代码分发到Spark集群中去。为了达到这个目的，需要创建一个assembly jar或者super jar，这个jar要同时包含你的代码和它的依赖。Sbt和maven都有assembly 插件。在创建assembly jar的时候，将Spark和Hadoop列为provided依赖。这些不需要进行打包，因为在运行的时候集群管理器能够提供这些jar。

对于python工程，你可以用spark-submit的--py-files参数，将.py，.zip或者.egg文件随你的应用分发到集群中。如果你依赖很多pyhon 文件建议将它们打包成.zip或者.egg文件。

二，用spark-submit提交你的应用

一旦应用打包号以后，就可以用spark-submit脚本去提交它。该脚本负责设置spark和它依赖的Classpath，支持多种集群管理器和部署模式：

./bin/spark-submit  
  --class <main-class> 
  --master <master-url> 
    --deploy-mode <deploy-mode> 
      --conf <key>=<value> 
        ... # other options
 <application-jar> 
          [application-arguments]

一些公用的选项解释：

1),--class：你主函数的入口

2),--master：cluster集群管理器

3),--deploy-mode：client或者cluster，默认是client。

4),--conf：key=value格式的spark配置。

5),application-jar：指定你jar的路径。URL必须在集群中任何节点都能找到，如在hdfs://path 或者file://path(此路径必须在所有节点都存在)

6),application-arguments：你应用程序入口main函数的参数。

一个通用的部署策略是在一个集群入口机器上提交你的程序到集群(比如，在EC2集群中的master节点)。在这种设置中，client模式是合适的。在client模式下，driver和spark-submit运行在同一进程，扮演者集群客户端的角色。输入和输出的应用连接到控制台。因此，这种模式特别适合类似spark-shell的涉及REPL的应用程序。

另外，如果你的应用程序需要从非集群机器，比如你的笔记本，提交到集群，建议使用cluster模式，最小化减少driver和Executor之间的网络延迟。当前，Standalone模式下并不支持python应用以cluster模式运行。

对于python的应用程序，简单用.py文件代替<application-jar>，然后通过--py-files将.zip,,egg,.py文件传添加进去。

也有一些参数是指定集群管理器特有的。比如，对于Standalone集群的cluster模式下，通过指定--supervise参数，可以以让driver在异常退出的时候自动重启。可以通过spark-submit --help查看更多的参数。举一些例子：

# Run application locally on 8 cores
./bin/spark-submit 
  --class org.apache.spark.examples.SparkPi 
  --master local[8] 
/path/to/examples.jar 
 100

# Run on a Spark standalone cluster in client deploy mode
./bin/spark-submit 
  --class org.apache.spark.examples.SparkPi 
  --master spark://207.184.161.138:7077 
  --executor-memory 20G 
--total-executor-cores 100 
  /path/to/examples.jar 
 1000

# Run on a Spark standalone cluster in cluster deploy mode with supervise
  ./bin/spark-submit 
  --class org.apache.spark.examples.SparkPi 
  --master spark://207.184.161.138:7077 
  --deploy-mode cluster 
--supervise 
--executor-memory 20G 
--total-executor-cores 100 
  /path/to/examples.jar 
 1000

# Run on a YARN cluster
export HADOOP_CONF_DIR=XXX
  ./bin/spark-submit 
  --class org.apache.spark.examples.SparkPi 
  --master yarn 
  --deploy-mode cluster   # can be client for client mode
  --executor-memory 20G 
--num-executors 50 
  /path/to/examples.jar 
 1000

# Run a Python application on a Spark standalone cluster
  ./bin/spark-submit 
  --master spark://207.184.161.138:7077 
  examples/src/main/python/pi.py 
 1000

# Run on a Mesos cluster in cluster deploy mode with supervise
  ./bin/spark-submit 
  --class org.apache.spark.examples.SparkPi 
  --master mesos://207.184.161.138:7077 
  --deploy-mode cluster 
--supervise 
--executor-memory 20G 
--total-executor-cores 100 
  http://path/to/examples.jar 
 1000

三，master URLs

master可以是以下几种：

四，从一个file中加载配置

Spark-Submit脚本可以从配置文件中加载spark默认配置，然后将它们传递给你的应用程序。默认情况下会从conf/spark-defaults.conf读取。

Spark默认配置的优先级是SparkConf设置的，spark-submit设置的，然后是默认配置文件读取的。

假如你对配置属性的来源不清晰，可以在运行spark-submit的时候指定--verbose参数来输出详细的调试信息。

五，高级依赖管理

当使用spark-submit，用户的jar和--jars选项指定的jar会被自动传输到集群。--jars参数指定URLs必须用逗号分隔，该列表包含在driver和Executor Classpath上。 目录不适用于--jars。Spark使用以下URL方案来允许不同的策略来传播jar：

1,file:-绝对路径和file:/ URIs，被http 文件服务器管理，每个Executor都可以从http server拉去指定的文件。

2,hdfs:,http:,https:,ftp:- 按照期望的方式从URI指定的位置去下载files和jars

3,local:- 以local:/开头的URI，需要在所有的worker节点上都存在，意味着没有网络IO发生，所以这种方式对大的files和jars很适合，也可以通过NFS，GlusterFS等共享。

注意，JARS和files会被拷贝到Executor的工作目录。这将会浪费很大的磁盘空间，使用完了需要进行clean up。针对yarn模式下，cleanup是自动处理的，对于SparkStandalone模式下，自动cleanup需要配置spark.worker.cleanup.appDataTtl参数。

也可以使用maven来管理依赖，用--packages参数，然后依赖以逗号分隔。所有的传递依赖将使用此命令时进行处理。可以使用--repositories参数将另外的repositories 或者SBT的resolvers依赖以逗号分割的方式加入。（请注意，在某些情况下，可以在repository URI中提供受密码保护的存储库的凭据，例如https：// user：password @ host / ....在以这种方式提供凭据时请小心。）。这些命令可以是 与pyspark，spark-shell和spark-submit一起使用。

六，总结

本文主要讲如何提交一个用户的应用提交的集群，重点是要搞清楚依赖是如何被提交的集群的。至于依赖是如何被程序加载执行的请看浪尖的第一份视频，关于spark driver和Executor运行环境的讲解。能搞明白这些，才算真正搞明白spark的精髓。