123、Spark核心编程进阶之standalone部署细节以及
standalone部署细节以及相关参数详解
这里主要介绍下spark部署过程中的一些细节
配置集群中的worker节点
首先第一点，如果你想将某台机器部署成standalone集群架构中的worker节点（会运行worker daemon进程）
那么你就必须在那台机器上部署spark安装包
配置conf/slaves文件
在conf/salves文件中，哪些机器是作为worker节点的，可以配置你要在哪些机器上启动worker进程
默认情况下，没有conf/slaves这个文件，只有一个conf/slaves.template，而且还是空的
此时，就只是在当前主节点上启动一个master进程和一个worker进程，此时就是master进程和worker进程在一个节点上，也就是伪分布式部署
你得去手动将slaves.template拷贝为一份slaves文件，然后需要手动去编辑conf/slaves文件中的内容
此时，在conf/slaves文件中，你可以编辑要作为worker节点的机器，比如说hostname，或者ip地址，都可以，一个机器是一行
配置以后，所有的节点上，spark部署安装包中，都得去拷贝一份这个conf/slaves文件
这里master机器和worker机器之间的访问时通过linux ssh方式进行的，所以要配置多个机器之间的ssh免密码连接
conf/spark-env.sh
spark-env.sh文件，它的地位，就类似于hadoop中的core-site.xml、hdfs-site.xml等等
应该说是spark中最核心的一份配置文件
这份文件，可以对整个spark的集群部署，各个master和worker进程的相应的行为，进行充分和细节化的配置
看三个参数
- SPARK_MASTER_IP
指定master进程所在的机器的ip地址 - SPARK_MASTER_PORT
指定master监听的端口号（默认是7077） - SPARK_MASTER_WEBUI_PORT
指定master web ui的端口号（默认是8080）
跟上篇文章，单独启动master和worker进程的命令行参数，作用，是一样的
sbin/start-master.sh --port 7078，类似这种方式，可以指定一样的配置属性，可以在spark-evn.sh中就去配置好
但是有时呢，可能你会遇到需要临时更改配置，并启动master或worker进程的情况
此时就比较适合，用sbin/start-master.sh这种脚本的命令行参数，来设置这种配置属性
但是通常来说呢，还是推荐在部署的时候，通过spark-env.sh来设定
脚本命令行参数通常用于临时的情况
SPARK_MASTER_OPTS
SPARK_MASTER_OPTS，设置master的额外参数，使用"-Dx=y"设置各个参数
比如说export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=1"
| 参数名 | 默认值 | 含义 |
|---|---|---|
| spark.deploy.retainedApplications | 200 | 在spark web ui上最多显示多少个application的信息 |
| spark.deploy.retainedDrivers | 200 | 在spark web ui上最多显示多少个driver的信息 |
| spark.deploy.spreadOut | true | 资源调度策略，spreadOut会尽量将application的executor进程分布在更多worker上，适合基于hdfs文件计算的情况，提升数据本地化概率；非spreadOut会尽量将executor分配到一个worker上，适合计算密集型的作业 |
| spark.deploy.defaultCores | 无限大 | 每个spark作业最多在standalone集群中使用多少个cpu core，默认是无限大，有多少用多少 |
| spark.deploy.timeout | 60 | 单位秒，一个worker多少时间没有响应之后，master认为worker挂掉了 |
SPARK_WORKER_OPTS
SPARK_WORKER_OPTS，worker的额外参数，使用"-Dx=y"设置各个参数
| 参数名 | 默认值 | 含义 |
|---|---|---|
| spark.worker.cleanup.enabled | false | 是否启动自动清理worker工作目录，默认是false |
| spark.worker.cleanup.interval | 1800 | 单位秒，自动清理的时间间隔，默认是30分钟 |
| spark.worker.cleanup.appDataTtl | 7 * 24 * 3600 | 默认将一个spark作业的文件在worker工作目录保留多少时间，默认是7天 |
其他参数
就是说，有些master和worker的配置，可以在spark-env.sh中部署时即配置，但是也可以在start-slave.sh脚本启动进程时命令行参数设置
但是命令行参数的优先级比较高，会覆盖掉spark-env.sh中的配置
比如说，上一篇我们的实验，worker的内存默认是1g，但是我们通过--memory 500m，是可以覆盖掉这个属性的
SPARK_LOCAL_DIRS，spark的工作目录，包括了shuffle map输出文件，以及持久化到磁盘的RDD等
SPARK_WORKER_PORT，worker节点的端口号，默认是随机的
SPARK_WORKER_WEBUI_PORT，worker节点的web ui端口号，默认是8081
SPARK_WORKER_CORES，worker节点上，允许spark作业使用的最大cpu数量，默认是机器上所有的cpu core
SPARK_WORKER_MEMORY，worker节点上，允许spark作业使用的最大内存量，格式为1000m，2g等，默认最小是1g内存
SPARK_WORKER_INSTANCES，当前机器上的worker进程数量，默认是1，可以设置成多个，但是这时一定要设置SPARK_WORKER_CORES，限制每个worker的cpu数量
SPARK_WORKER_DIR，spark作业的工作目录，包括了作业的日志等，默认是spark_home/work
SPARK_DAEMON_MEMORY，分配给master和worker进程自己本身的内存，默认是1g
SPARK_DAEMON_JAVA_OPTS，设置master和worker自己的jvm参数，使用"-Dx=y"设置各个参数
SPARK_PUBLISC_DNS，master和worker的公共dns域名，默认是没有的
spark相关命令
列出spark所有的启动和关闭shell脚本
sbin/start-all.sh 根据配置，在集群中各个节点上，启动一个master进程和多个worker进程
sbin/stop-all.sh 在集群中停止所有master和worker进程
sbin/start-master.sh 在本地启动一个master进程
sbin/stop-master.sh 关闭master进程
sbin/start-slaves.sh 根据conf/slaves文件中配置的worker节点，启动所有的worker进程
sbin/stop-slaves.sh 关闭所有worker进程
sbin/start-slave.sh 在本地启动一个worker进程
