Spark+Zookeeper怎么搭建高可用Spark集群
这篇文章给大家介绍Spark+Zookeeper怎么搭建高可用Spark集群，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
Spark三种分布式部署方式比较
目前Apache Spark支持三种分布式部署方式，分别是standalone、spark on mesos和 spark on YARN，详情参考。
Spark standalone模式分布式部署
环境介绍
| 主机名 | 应用 |
|---|---|
| tvm11 | zookeeper |
| tvm12 | zookeeper |
| tvm13 | zookeeper、spark（master）、spark（slave）、Scala |
| tvm14 | spark（backup）、spark（slave）、Scala |
| tvm15 | spark（slave）、Scala |
说明
依赖scala：
Note that support for Java 7, Python 2.6 and old Hadoop versions before 2.6.5 were removed as of Spark 2.2.0. Support for Scala 2.10 was removed as of 2.3.0. Support for Scala 2.11 is deprecated as of Spark 2.4.1 and will be removed in Spark 3.0.
zookeeper： Master结点存在单点故障，所以要借助zookeeper，至少启动两台Master结点来实现高可用，配置方案比较简单。
安装scala
由上面的说明可知，spark对scala版本依赖较为严格，spark-2.4.5依赖scala-2.12.x，所以首先要安装scala-2.12.x，在此选用scala-2.12.10。使用二进制安装：
下载安装包
解压即用。
$ wget https://downloads.lightbend.com/scala/2.12.10/scala-2.12.10.tgz$ tar zxvf scala-2.12.10.tgz -C /path/to/scala_install_dir
如果系统环境也要使用相同版本的scala，可以将其加入到用户环境变量(.bashrc或.bash_profile)。
安装spark
打通三台spark机器的work用户ssh通道；
现在安装包到master机器：tvm13；
下载地址
注意提示信息，及Hadoop版本（与已有环境匹配，如果不匹配则选非预编译的版本自己编译）。
解压到安装目录即可。
配置spark
spark服务配置文件主要有两个：spark-env.sh和slaves。
spark-evn.sh：配置spark运行相关环境变量
slaves：指定worker服务器
配置spark-env.sh：cp spark-env.sh.template spark-env.sh
export JAVA_HOME=/data/template/j/java/jdk1.8.0_201export SCALA_HOME=/data/template/s/scala/scala-2.12.10export SPARK_WORKER_MEMORY=2048mexport SPARK_WORKER_CORES=2export SPARK_WORKER_INSTANCES=2export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=tvm11:2181,tvm12:2181,tvm13:2181 -Dspark.deploy.zookeeper.dir=/data/template/s/spark"# 关于 SPARK_DAEMON_JAVA_OPTS 参数含义： # -Dspark.deploy.recoverMode=ZOOKEEPER #代表发生故障使用zookeeper服务 # -Dspark.depoly.zookeeper.url=master.hadoop,slave1.hadoop,slave1.hadoop #主机名的名字 # -Dspark.deploy.zookeeper.dir=/spark #spark要在zookeeper上写数据时的保存目录# 其他参数含义：https://blog.csdn.net/u010199356/article/details/89056304
配置slaves：cp slaves.template slaves
# A Spark Worker will be started on each of the machines listed below.tvm13tvm14tvm15
配置 spark-default.sh ，主要用于spark执行任务（可以命令行动态指定）：
# http://spark.apache.org/docs/latest/configuration.html#configuring-logging# spark-defaults.shspark.app.name YunTuSparkspark.driver.cores 2spark.driver.memory 2gspark.master spark://tvm13:7077,tvm14:7077spark.eventLog.enabled truespark.eventLog.dir hdfs://cluster01/tmp/event/logs spark.serializer org.apache.spark.serializer.KryoSerializerspark.serializer.objectStreamReset 100spark.executor.logs.rolling.time.interval dailyspark.executor.logs.rolling.maxRetainedFiles 30spark.ui.enabled truespark.ui.killEnabled truespark.ui.liveUpdate.period 100msspark.ui.liveUpdate.minFlushPeriod 3sspark.ui.port 4040spark.history.ui.port 18080spark.ui.retainedJobs 100spark.ui.retainedStages 100spark.ui.retainedTasks 1000spark.ui.showConsoleProgress truespark.worker.ui.retainedExecutors 100spark.worker.ui.retainedDrivers 100spark.sql.ui.retainedExecutions 100spark.streaming.ui.retainedBatches 100spark.ui.retainedDeadExecutors 100# spark.executor.extraJavaOptions -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"
hdfs资源准备
因为 spark.eventLog.dir 指定为hdfs存储，所以需要在hdfs预先创建相应的目录文件：
hdfs dfs -mkdir -p hdfs://cluster01/tmp/event/logs
配置系统环境变量
编辑 ~/.bashrc ：
export SPARK_HOME=/data/template/s/spark/spark-2.4.5-bin-hadoop2.7export PATH=$SPARK_HOME/bin/:$PATH
分发
以上配置完成后，将 /path/to/spark-2.4.5-bin-hadoop2.7 分发至各个slave节点，并配置各个节点的环境变量。
启动
先在master节点启动所有服务：
./sbin/start-all.sh然后在backup节点单独启动master服务：
./sbin/start-master.sh
查看状态
启动完成后到web去查看：
master（8081端口）：Status: ALIVE
backup（8080端口）：Status: STANDBY
完成！
关于Spark+Zookeeper怎么搭建高可用Spark集群就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
