【云原生】Spark on k8s 讲解与实战操作

一、概述

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

官方文档：https://spark.apache.org/docs/latest/

Spark on k8s官方文档：https://spark.apache.org/docs/latest/running-on-kubernetes.html

关于spark的介绍，可以参考我这篇文章：大数据Hadoop之——计算引擎Spark

二、开始 Spark on k8s 运行原理

可以直接用于向Kubernetes集群提交spark应用程序。提交机制的工作原理如下：

Spark创建一个Spark driver 在Kubernetes pod 运行。

driver 程序创建也在Kubernetes pods中运行的执行器，并连接到它们，然后执行应用程序代码。

当应用程序完成时，执行程序pod将终止并被清理，但驱动程序pod会保存日志并在Kubernetes API中保持“已完成”状态，直到最终进行垃圾收集或手动清理。

三、Spark 运行模式

：客户端进程，负责提交作业到Master。

：Standalone模式中主控节点，负责接收Client提交的作业，管理Worker，并命令Worker启动Driver和Executor。

：Standalone模式中slave节点上的守护进程，负责管理本节点的资源，定期向Master汇报心跳，接收Master的命令，启动Driver和Executor。

： 一个Spark作业运行时包括一个Driver进程，也是作业的主进程，负责作业的解析、生成Stage并调度Task到Executor上。包括 DAGScheduler ， TaskScheduler 。

1）cluster 模式

Driver程序在某个worker节点，但是这个节点由Master指定；

Driver程序占据Worker的资源；

cluster mode下Master可以使用–supervise对Driver进行监控，如果Driver挂了可以自动重启；

cluster mode下Master节点和Worker节点一般不在同一局域网，因此就无法将Jar包分发到各个Worker，所以cluster mode要求必须提前把Jar包放到各个Worker节点对应的目录下面。

2）client 模式

Driver进程就是开始执行你Spark程序的那个Main函数，它可以在任何节点(可以是spark集群内的节点,Master节点或Worker节点;也可以是有spark环境但不是spark集群内的某台机器)；Worker就是Slave节点，Executor进程必然在Worker节点上，用来进行实际的计算；

client mode下Driver进程不运行在Worker节点上，所以相对于参与实际计算的Worker节点而言，Driver就相当于是一个第三方的“client”；

正由于Driver进程不在Worker节点上，所以不会消耗Worker节点上的资源；

client mode下Master和Worker节点必须处于同一片局域网内，因为Drive要和Executor通信，例如Driver需要将Jar包通过Netty HTTP分发到Executor，Driver要给Executor分配任务等；

client mode下没有监督重启机制，Driver进程如果挂了，需要额外的程序重启。

四、开始Spark on k8s 编排

1）下载Spark包

2）构建镜像

Spark（从2.3版开始）附带了一个Dockerfile，可以在kubernetes/dockerfiles/目录中找到它。

Spark还附带一个构建和push镜像的脚本 。构建镜像命令如下：

3）配置 spark 用户权限

4）提交 Spark 任务（cluster 模式）

【注意】这里的  指的是容器的文件系统路径，不是执行 spark-submit 的机器的文件系统路径，如果不使用 local 的话，也可以用 、 等系统，没指定的话默认是 local 模式

5）配置spark历史服务器

这里依赖与Hadoop hdfs环境，Hadoop on k8s环境部署可以参考我以下两篇文章：

存储目录需要提前创建

执行

web：http://192.168.182.110:31180

再提交任务

6）提交 Spark 任务（client 模式）

从Spark 2.4.0开始，可以在客户端模式下在Kubernetes上运行Spark应用程序。当应用程序在客户端模式下运行时，驱动程序可以在k8s pod或物理主机上运行。

1、配置 spark 用户权限

2、准备独立Pod

配置 spark 容器，会在这个容器里以 client 模式 submit spark 程序，所以这个容器也会作为 driver。

3、暴露service

我们任意指定一个端口暴露，后续client mode将通过去DNS去查找Driver Pod的位置，这也是Spark on k8s要求DNS的原因。

执行

4、提交 spark 任务