页面树结构

2017-07-25 Apache Spark 2.2.0 官方文档中文版发布 : http://spark.apachecn.org/docs/cn/2.2.0/


MachineLearning 优酷地址 : http://i.youku.com/apachecn

转至元数据结尾
转至元数据起始

Spark 可以在 Apache Mesos 管理的硬件集群上运行。

使用 Mesos 部署 Spark 的优点包括 : 

  • Spark 和其他框架 frameworks 之间的 dynamic partitioning(动态分区)
  • Spark 的多个实例之间的 scalable partitioning可扩展分区)。

运行原理

在一个独立集群部署中,下图的集群管理器是 Spark master 的一个实例。当使用 Mesos 管理时,Mesos master 会替代 Spark master 作为集群的管理器。

现在,Driver 程序创建一个 job 并开始分发调度任务时,Mesos 会决定什么机器处理什么任务。 因为 Mesos 调度这些短期任务时会考虑到其他的框架,许多框架将会在同一个集群上共存,而不是借助资源的静态分区。

开始,请按照以下步骤安装 Mesos 并通过 Mesos 部署 Spark 作业。

安装 Mesos

Spark 2.1.0 设计用于 Mesos1.0.0 或更新版本,不需要任何特殊的 Mesos 补丁。

如果你早已经有一个 Mesos 集群在运行,你可以跳过这个 Mesos 的安装步骤。

否则,安装 Mesos for Spark 与安装 Mesos for 其他的框架没有什么不同。你可以通过源码或者预构建软件安装包来安装 Mesos

从源码安装

通过源码安装 Apache Mesos,按照以下步骤 : 

  1. 从镜像 mirror 下载 Mesos 版本。
  2. 按照 Mesos 开始页面 Getting Started 来编译和安装 Mesos

注意 :

 如果你希望运行 Mesos 又不希望安装在系统的默认位置(例如 : 如果你没有默认路径的管理权限),传递 --prefix 选项进行配置来告诉它安装在什么地方。例如: 传递 --prefix=/home/me/mesos。默认情况下,前缀是 : /usr/local

第三方包

Apache Mesos 项目只发布了源码的版本,而不是二进制包。但是其他的第三方项目发布的二进制版本,可能对设置 Mesos 有帮助。

其中之一是中间层。用使用中间层提供的二进制版本安装 Mesos

  1. 从下载页面下载 Mesos 的安装包。
  2. 按照说明进行安装和配置。

中间层的安装文档建议设置 zookeeper 来处理 Mesos Master 的故障转移,但是 Mesos 通过使用 Single Master 模式,可以在没有 zookeeper 的情况下运行。

验证

要验证 Mesos 集群是否可用于 Spark,导航到 Mesos Master Web UI 界面,端口是 : 5050 来确认所有预期的机器都会与从属选项卡中。

连接 Spark 到 Mesos

通过使用 Spark 中的 Mesos,你需要一个 Spark 的二进制包放到 Mesos 可以访问的地方,然后配置 Spark driver 程序来连接 Mesos

或者你也可以在所有 Mesos slaves 位置安装 Spark,然后配置 spark.mesos.executor.home(默认是 SPARK_HOME)来指向这个位置。

上传Spark包

Mesos 第一次在 Mesos slave上运行任务时,该从服务器必须有一个 Spark 二进制包来运行 Spark Mesos 执行器后端。 Spark 包可以在任何 Hadoop 可访问的 URI 上托管,包括 HTTP 通过 http://Amazon Simple Storage Service 通过 s3n:// 或 HDFS 通过 hdfs://

要使用预编译包: 

  1. Spark download page 下载 Spark 二进制包。
  2. 上传到 hdfs/http/s3

要在 HDFS 上主机,请使用 Hadoop fs put 命令 : hadoop fs -put spark-2.1.0.tar.gz /path/to/spark-2.1.0.tar.gz

或者如果您使用的是自定义编译版本的 Spark,则需要使用包含在 Spark 源代码 tarball / checkout 中的 dev / make-distribution.sh 脚本创建一个包。

  1. 使用 here 的说明下载并构建 Spark
  2. 使用 ./dev/make-distribution.sh --tgz 创建二进制包。
  3. 将归档文件上传到 http / s3 / hdfs

使用 Mesos Master 的 URL

MesosMaster URL 以 mesos://host:5050 形式表示 single-master Mesos 集群,或者 mesos://zk://host1:2181,host2:2181,host3:2181/mesos 为一个 multi-master Mesos 集群使用 ZooKeeper

客户端模式

在客户端模式下,Spark Mesos 框架直接在客户端计算机上启动,并等待驱动程序输出。

驱动程序需要在 spark-env.sh 中进行一些配置才能与Mesos正常交互 : 

  1. spark-env.sh 中设置一些环境变量 : 
    • export MESOS_NATIVE_JAVA_LIBRARY=<path to libmesos.so>的路径。此路径通常为 <prefix>/lib/libmesos.so,其中前缀默认为 /usr/local。请参阅上面的 Mesos 安装说明。在 Mac OS X 上,库称为 libmesos.dylib,而不是 libmesos.so
    • export SPARK_EXECUTOR_URI=<URL of spark-2.1.0.tar.gz上传>
  2. 还将 spark.executor.uri 设置为 <URL of spark-2.1.0.tar.gz>

现在,当针对集群启动 Spark 应用程序时,在创建 SparkContext 时传递一个 mesos:// URL 作为主服务器。例如 : 

Scala
val conf = new SparkConf()
  .setMaster("mesos://HOST:5050")
  .setAppName("My app")
  .set("spark.executor.uri", "<path to spark-2.1.0.tar.gz uploaded above>")
val sc = new SparkContext(conf)

(您还可以在 conf/spark-defaults.conf 文件中使用 spark-submit 并配置 spark.executor.uri。)

运行 shell 时,spark.executor.uri 参数从 SPARK_EXECUTOR_URI 继承,因此不需要作为系统属性冗余传递。

./bin/spark-shell --master mesos://host:5050

集群模式

Spark on Mesos 还支持集群模式,其中驱动程序在集群中启动,客户端可以从 Mesos Web UI 中查找驱动程序的结果。

要使用集群模式,必须通过 sbin/start-mesos-dispatcher.sh 脚本启动集群中的 MesosClusterDispatcher,并传递 Mesos URL(例如 :mesos://host:5050)。这将启动 MesosClusterDispatcher 作为在主机上运行的守护程序。

如果你喜欢用 Marathon 运行 MesosClusterDispatcher,你需要在前台运行 MesosClusterDispatcher(即 : bin/spark-class org.apache.spark.deploy.mesos.MesosClusterDispatcher)。请注意,MesosClusterDispatcher 尚不支持 HA 的多个实例。

MesosClusterDispatcher 还支持将恢复状态写入 Zookeeper。这将允许 MesosClusterDispatcher 能够在重新启动时恢复所有提交和运行的容器。为了启用此恢复模式,您可以通过配置 spark.deploy.recoveryMode 和相关的 spark.deploy.zookeeper.* 配置在 spark-env 中设置SPARK_DAEMON_JAVA_OPTS。有关这些配置的更多信息,请参阅配置 (doc)[configurations.html#deploy]

从客户端,您可以通过运行 spark-submit 并指定到 MesosClusterDispatcher URL(例如 : mesos://dispatcher:7077)的主 URL 将作业提交到 Mesos 集群。您可以在 Spark 集群 Web UI 上查看驱动程序状态。

例如 : 

./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

请注意,传递给 spark-submitjar python 文件应该是 Mesos 从设备可达的 URI,因为 Spark 驱动程序不会自动上传本地 jar

Mesos 运行模式

Spark 可以在两种模式下运行 Mesos : “粗粒度”(默认)和“细粒度”(已过时)。

Coarse-Grained(粗粒度)

在 “粗粒度” 模式下,每个 Spark 执行程序作为单个 Mesos 任务运行。 Spark 执行程序的大小根据以下配置变量确定 : 

  • 执行器内存 : spark.executor.memory
  • 执行器核心 : spark.executor.cores
  • 执行器数 : spark.cores.max / spark.executor.cores

有关详细信息和默认值,请参阅 配置页面 。

应用程序启动时,热切地启动执行器,直到达到 spark.cores.max。如果不设置 spark.cores.maxSpark 应用程序将保留 Mesos 提供给它的所有资源,因此我们当然敦促您在任何类型的多租户集群中设置此变量,包括运行多个并发 Spark 应用程序。

调度程序将启动执行者循环提供 Mesos 给它,但没有传播保证,因为 Mesos 不提供这样的保证提供流。

粗粒度模式的好处是启动开销低得多,但是在应用程序的整个持续时间内保留 Mesos 资源的代价。要配置作业以动态调整其资源要求,请查看 Dynamic Allocation 。

Fine-Grained (细粒度,已过时)

注意 :

细粒度模式自 Spark 2.0.0 起已过时。考虑使用 Dynamic Allocation 有一些好处。有关完整说明,请参阅 SPARK-11857

在 “细粒度” 模式下,Spark 执行程序中的每个 Spark 任务作为单独的 Mesos 任务运行。这允许 Spark(和其他框架)的多个实例以非常精细的粒度共享核心,其中每个应用程序随着其上升和下降而获得更多或更少的核心,但是它在启动每个任务时带来额外的开销。此模式可能不适合低延迟要求,如交互式查询或服务 Web 请求。

请注意,虽然细粒度的 Spark 任务会在核心终止时放弃核心,但它们不会放弃内存,因为 JVM 不会将内存回馈给操作系统。执行器在空闲时也不会终止。

要以细粒度模式运行,请在 SparkConf 中将 spark.mesos.coarse 属性设置为 false

conf.set("spark.mesos.coarse", "false")

您还可以使用 spark.mesos.constraints Mesos 资源提供上设置基于属性的约束。默认情况下,所有资源优惠都将被接受。

conf.set("spark.mesos.constraints", "os:centos7;us-east-1:false")

例如,假设 spark.mesos.constraints 设置为 os:centos7;us-east-1:false,那么将检查资源提供以查看它们是否满足这两个约束,然后才会被接受以启动新的执行程序。

Mesos Docker 的支持

Spark 可以通过在你的 SparkConf 中 设置 spark.mesos.executor.docker.image 的属性,从而来使用 Mesos Docker 容器。

所使用的 Docker 镜像必须有一个合适的版本的 Spark 已经是映像的一部分,或者您可以通过通常的方法让 Mesos 下载 Spark

需要 Mesos 版本 0.22 或更高版本。

独立于 Hadoop 运行

您可以在现有的 Hadoop 集群上运行 Spark Mesos,只需将它们作为计算机上的单独服务启动即可。 要从 Spark 访问 Hadoop 数据,需要一个完整的 hdfs:// URL(通常为 hdfs://<namenode>:9000/path,但您可以在 Hadoop Namenode Web UI 上找到正确的URL)。

此外,还可以在 Mesos 上运行 Hadoop MapReduce,以便在两者之间实现更好的资源隔离和共享。 在这种情况下,Mesos 将作为统一的调度程序,将 Core 核心分配给 Hadoop Spark,而不是通过每个节点上的 Linux 调度程序共享资源。 请参考 Hadoop on Mesos 。

在任一情况下,HDFSHadoop MapReduce 分开运行,而不通过 Mesos 调度。

使用 Mesos 来进行动态分配资源

Mesos 仅支持使用粗粒度模式的动态分配,这可以基于应用程序的统计信息调整执行器的数量。 有关一般信息,请参阅 Dynamic Resource Allocation 。

要使用的外部 Shuffle 服务是 Mesos Shuffle 服务。 它在 Shuffle 服务之上提供 shuffle 数据清理功能,因为 Mesos 尚不支持通知另一个框架的终止。 要启动它,在所有从节点上运 $SPARK_HOME/sbin/start-mesos-shuffle-service.sh,并将 spark.shuffle.service.enabled 设置为true

这也可以通过 Marathon,使用唯一的主机约束和以下命令实现 : bin/spark-class org.apache.spark.deploy.mesos.MesosExternalShuffleService

配置

有关 Spark 配置的信息,请参阅 配置页面 。 以下配置特定于 Mesos 上的 Spark

Spark属性

属性名称默认值含义
spark.mesos.coarsetrue

如果设置为 true,则以 “粗粒度” 共享模式在 Mesos 集群上运行,其中 Spark 在每台计算机上获取一个长期存在的 Mesos 任务。

如果设置为 false,则以 “细粒度” 共享模式在 Mesos 集群上运行,其中每个 Spark 任务创建一个 Mesos 任务。

'Mesos Run Modes' 中的详细信息。

spark.mesos.extra.cores0

设置执行程序公布的额外核心数。 这不会导致分配更多的内核。

它代替意味着执行器将“假装”它有更多的核心,以便驱动程序将发送更多的任务。

使用此来增加并行度。 此设置仅用于 Mesos 粗粒度模式。

spark.mesos.mesosExecutor.cores1.0

(仅限细粒度模式)给每个 Mesos 执行器的内核数。 这不包括用于运行 Spark 任务的核心。

换句话说,即使没有运行 Spark 任务,每个 Mesos 执行器将占用这里配置的内核数。 该值可以是浮点数。

spark.mesos.executor.docker.image(none)

设置 Spark 执行器将运行的 docker 映像的名称。所选映像必须安装 Spark,以及兼容版本的 Mesos 库。

Spark 在图像中的安装路径可以通过 spark.mesos.executor.home来指定;

可以使用 spark.executorEnv.MESOS_NATIVE_JAVA_LIBRARY 指定 Mesos 库的安装路径。

spark.mesos.executor.docker.volumes(none)

设置要装入到 Docker 镜像中的卷列表,这是使用 spark.mesos.executor.docker.image 设置的。 此属性的格式是以逗号分隔的映射列表,后面的形式传递到 docker run -v。 这是他们采取的形式 :

[host_path:]container_path[:ro|:rw]
spark.mesos.executor.docker.portmaps(none)

设置由 Docker 镜像公开的入站端口的列表,这是使用 spark.mesos.executor.docker.image 设置的。

此属性的格式是以逗号分隔的映射列表,格式如下 :

host_port:container_port[:tcp|:udp]
spark.mesos.executor.homedriver side SPARK_HOME

Mesos 中的执行器上设置 Spark 安装目录。

默认情况下,执行器将只使用驱动程序的 Spark 主目录,它们可能不可见。

请注意,这只有当 Spark 二进制包没有通过 spark.executor.uri 指定时才是有意义的。

spark.mesos.executor.memoryOverheadexecutor memory * 0.10, with minimum of 384

以每个执行程序分配的额外内存量(以 MB 为单位)。

默认情况下,开销将大于 spark.executor.memory 384 10%

如果设置,最终开销将是此值。

spark.mesos.uris(none)

当驱动程序或执行程序由 Mesos 启动时,要下载到沙箱的 URI 的逗号分隔列表。

这适用于粗粒度和细粒度模式。

spark.mesos.principal(none)设置 Spark 框架将用来与 Mesos 进行身份验证的主体。
spark.mesos.secret(none)设置 Spark 框架将用来与 Mesos 进行身份验证的机密。
spark.mesos.role*

设置这个 Spark 框架对 Mesos 的作用。

角色在 Mesos 中用于预留和资源权重共享。

spark.mesos.constraints(none)

基于属性的约束对 mesos 资源提供。 默认情况下,所有资源优惠都将被接受。

有关属性的更多信息,请参阅 Mesos Attributes & Resources

  • 标量约束与 “小于等于” 语义匹配,即约束中的值必须小于或等于资源提议中的值。
  • 范围约束与 “包含” 语义匹配,即约束中的值必须在资源提议的值内。
  • 集合约束与语义的 “子集” 匹配,即约束中的值必须是资源提供的值的子集。
  • 文本约束与 “相等” 语义匹配,即约束中的值必须完全等于资源提议的值。
  • 如果没有作为约束的一部分存在的值,则将接受具有相应属性的任何报价(没有值检查)。
spark.mesos.driver.webui.url(none)

设置 Spark Mesos 驱动程序 Web UI URL 以与框架交互。

如果取消设置,它将指向 Spark 的内部 Web UI

spark.mesos.dispatcher.webui.url(none)

设置 Spark Mesos 分派器 Web UI URL 以与框架交互。

如果取消设置,它将指向 Spark 的内部 Web UI

故障排查和调试

在调试中可以看的地方 : 

  • Mesos Master 的端口 : 5050
    • Slaves 应该出现在 Slaves 那一栏
    • Spark 应用应该出现在框架那一栏
    • 任务应该出现在在一个框架的详情
    • 检查失败任务沙箱的输出和错误
  • Mesos 的日志
    • Master Slave 的日志默认在 : /var/log/mesos  目录

常见的陷阱 : 

  • Spark assembly 不可达 / 不可访问
    • Slave 必须可以从你给的 http://hdfs:// 或者 s3n:// URL 地址下载的到 Spark 的二进制包
  • 防火墙拦截通讯
    • 检查信息是否是连接失败
    • 临时禁用防火墙来调试,然后戳出适当的漏洞