Spark on yarn执行流程源代码分析

目前的分析主要基于spark0.9.0的cdh5的版本进行分析，

源代码下载地址：https://github.com/cloudera/spark.git

下载方式：gitclone url ./spark

进入spark目录，执行gitcheckoutcdh5-0.9.0_5.0.0

源代码编译

使用sbt编译spark

运行sbt命令需要使用http代理，不然连接不上网络，进入sbt/目录，使用vimsbt修改里面的内容，

在最下面java命令的第二行添加-Dhttp.proxyHost=myserver-Dhttp.proxyPort=port \

运行如下命令编译spark

SPARK_HADOOP_VERSION=2.3.0-cdh5.0.0SPARK_YARN=true sbt/sbt assembly

SPARK_HADOOP_VERSION后是hadoop的版本号，

SPARK_HADOOP_VERSION=2.2.0sbt/sbt assembly

Inaddition, if you wish to run Spark on YARN,set SPARK_YARN to true:

SPARK_HADOOP_VERSION=2.0.5-alphaSPARK_YARN=true sbt/sbt assembly

http连接代理设置：

编辑spark_home/sbt/sbt文件，在文件最后的如下脚本部分：

printf"Launching sbt from ${JAR}\n"

java\

-Xmx1200m-XX:MaxPermSize=350m -XX:ReservedCodeCacheSize=256m \

-jar${JAR} \

"$@"

修改为

printf"Launching sbt from ${JAR}\n"

java\

-Dhttp.proxyHost=myserver-Dhttp.proxyPort=port \

-Xmx1200m-XX:MaxPermSize=350m -XX:ReservedCodeCacheSize=256m \

-jar${JAR} \

"$@"

通过如下命令通过sbt对spark进行编译

SPARK_HADOOP_VERSION=2.3.0-cdh5.0.0SPARK_YARN=true sbt/sbt assembly

sbt命令请参考http://www.scala-sbt.org/release/docs/Getting-Started/Running.html#common-commands

生成tar包

在spark_home的根目录下，执行如下命令，编译spark的分布式部署tar.gz包

修改make-distribution.sh文件，

在如下命令后

Makedirectories

rm-rf "$DISTDIR"

mkdir-p "$DISTDIR/jars"

echo"Spark $VERSION built for Hadoop $SPARK_HADOOP_VERSION" >"$DISTDIR/RELEASE"

#Copy jars

cp$FWDIR/assembly/target/scala*/*assembly*hadoop*.jar "$DISTDIR/jars/"

添加此信息，把examples添加到tar.gz包中(测试过程可以执行此操作,把示例的代码一起打包起来)。

#Make directories

mkdir-p "$DISTDIR/examples"

#Copy jars

cp$FWDIR/examples/target/scala*/*examples*assembly*.jar"$DISTDIR/examples/"

./make-distribution.sh--hadoop2.3.0-cdh5.0.0--with-yarn --tgz

命令执行完成后，在spark_home下会生成一个tar.gz包，spark-0.9.0-hadoop_2.3.0-cdh5.0.0-bin.tar.gz

通过Yarn运行spark示例程序

通过export命令设置yarn的conf环境变量，如果没有配置全局的yarnconf环境变量

exportYARN_CONF_DIR=/home/hadoop/test.spark.yang/hadoop-2.0.0-cdh4.3.0/etc/hadoop

exportSPARK_JAR=<spark_home>/jars/spark-assembly-0.9.0-incubating-hadoop2.0.0-cdh4.3.0.jar

exportYARN_CONF_DIR=/home/hadoop/test.spark.yang/hadoop-2.0.0-cdh4.3.0/etc/hadoop

exportHADOOP_CONF_DIR=/home/hadoop/test.spark.yang/hadoop-2.0.0-cdh4.3.0/etc/hadoop

SPARK_JAR=/home/hadoop/test.spark.yang/spark-0.9.0-incubating/jars/spark-assembly-0.9.0-incubating-hadoop2.0.0-cdh4.3.0.jar

./bin/spark-classorg.apache.spark.deploy.yarn.Client \

--jar./examples/spark-examples-assembly-0.9.0-incubating.jar \

--classorg.apache.spark.examples.SparkTC \

--argsyarn-standalone \

--num-workers3 \

--worker-cores1 \

--master-memory512M \

--worker-memory1g

通过java程序执行sparkon yarn的启动

1.编写一个java应用程序,把core-site/hdfs-site/yarn-site的配置文件添加到工程中。

2.把spark的jar添加到工程中，作用于当前工程的class引用,

3.在工程中设置环境变量SPARK_JAR,来引用sparkjar的位置,

4.在工程中设置环境变量SPARK_LOG4J_CONF,来引用sparklog4j的位置

通过SPARK_YARN_USER_ENV配置其它用户定义的环境变量值。

通过SPARK_USE_CONC_INCR_GC配置是否使用默认的GC配置。,true/false

通过SPARK_JAVA_OPTS配置spark执行时的相关JAVA_OPTS.

通过JAVA_HOME配置java_home.

5.设置一些系统属性，共spark运行时的使用，当然这些个系统属性本身也有默认的值

a.属性名称QUEUE，默认值default。作用于am启动的队列名称,也可以在client调用进传入

b.属性名称spark.yarn.report.interval，默认值1000。app运行监控的间隔时间ms。

c.属性名称spark.yarn.submit.file.replication，默认值3。上传给yarn上运行的资源的复制份数，包括sparkjar,appjar

d.属性名称spark.yarn.max.worker.failures，默认值3或numworker传入参数的值*2取最大值。

作用于app失败的重试次数,如果重试次数超过了指定的值，表示app运行失败。

e.属性名称spark.yarn.applicationMaster.waitTries，默认值10。等待SparkContext初始化完成的等待次数，

每次的等待时，让ApplicationMaster.sparkContextRef.wait=10000ms

f.属性名称spark.yarn.scheduler.heartbeat.interval-ms，默认值5000，

通过此配置向RM设置am向其报告的时间间隔。

spark编译与onyarn的运行