运行SparkSubmit作业
Spark是一个开源的并行数据处理框架,能够帮助用户简单、快速地开发大数据应用,对数据进行离线处理、流式处理、交互式分析等。spark-submit是Spark提供的统一入口工具,用于在不同集群环境下部署和运行Spark应用程序。通过它可以将编写好的Spark作业提交到YARN或直接以本地模式运行。该工具通过将应用打包为独立的JAR/WAR包,结合分布式计算框架的资源调度能力,实现了Spark作业的高效部署与执行。
用户可将自己开发的程序提交到MRS中,执行程序并获取结果,本章节指导您如何在MRS集群中提交一个SparkSubmit作业。
用户可以在MRS管理控制台在线创建一个作业并提交运行,也可以通过MRS集群客户端来以命令行形式提交作业。
前提条件
- 用户已经将运行作业所需的程序包和数据文件上传至OBS系统或HDFS中。
- 如果作业程序需要读取以及分析OBS文件系统中的数据,需要先配置MRS集群的存算分离,请参考配置MRS集群存算分离。
约束与限制
- 当IAM用户的用户组的所属策略从MRS ReadOnlyAccess向MRS CommonOperations、MRS FullAccess、MRS Administrator变化时,或者反之从MRS CommonOperations、MRS FullAccess、MRS Administrator向MRS ReadOnlyAccess变化时,由于集群节点的SSSD(System Security Services Daemon)缓存刷新需要时间,因此用户同步完成后,请等待5分钟,待新策略生效之后,再到MRS管理控制台在线提交作业,否则会出现提交作业失败的情况。
- 当前IAM用户名中存在空格时(例如admin 01),不支持通过MRS管理控制台添加作业。
提交作业
用户可通过管理控制台在线创建并运行作业,也可以通过集群客户端命令方式手动提交。
- 准备应用程序及数据。
在本章节中,以集群中自带的spark-examples样例程序为例进行介绍,该样例程序包含多种功能,可以从MRS集群客户端中获取(“客户端安装目录/Spark/spark/examples/jars/spark-examples-XXX.jar”,部分版本集群中Spark2x文件夹名称为Spark,请以实际为准),然后上传至HDFS或者OBS的指定目录中,请参考上传应用数据至MRS集群。
程序类名:由用户程序内的函数指定,本应用中为用于计算圆周率的SparkPi。
- 登录MRS管理控制台。
- 选择“现有集群”,选中一个运行中的集群并单击集群名称,进入集群概览信息页面。
- 在“概览”页签中,单击“IAM用户同步”右侧的“同步”进行IAM用户同步。
集群开启Kerberos认证时需执行该步骤,若集群未开启Kerberos认证,无需执行本步骤。
IAM用户同步完成后,请等待5分钟,再进行提交作业,更多IAM用户同步说明请参考IAM用户同步MRS集群说明。
- 单击“作业管理”,在作业列表界面单击“添加”。
- “作业类型”选择“SparkSubmit”,并配置其他作业信息。
图1 添加Spark作业
表1 作业配置信息 参数
描述
示例
作业名称
作业名称,只能由字母、数字、中划线和下划线组成,并且长度为1~128个字符。
spark_job
执行程序路径
待执行程序包地址,可直接手动输入地址路径,也可单击“HDFS”或者“OBS”后选择文件。
- 最多为1023字符,不能包含;|&>,<'$特殊字符,且不可为空或全空格。
- OBS程序路径地址以“obs://”开头,例如“obs://wordcount/program/XXX.jar”。HDFS程序路径地址以“hdfs://”开头,例如“hdfs://hacluster/user/XXX.jar”。
- SparkSubmit作业执行程序需要以“.jar”或“.py”结尾。
obs://mrs-demotest/program/spark-examples_XXX.jar
运行程序参数
可选参数,为本次执行的作业配置相关优化参数(例如线程、内存、CPU核数等),用于优化资源使用效率,提升作业的执行性能。
Spark作业常用的运行程序参数如表2所示,可根据执行程序及集群资源情况进行配置。
--class org.apache.spark.examples.SparkPi
执行程序参数
可选参数,程序执行的关键参数,该参数由用户程序内的函数指定,MRS只负责参数的传入。
多个参数间使用空格隔开,最多为150000字符,不能包含;|&><'$特殊字符,可为空。
注意:用户输入带有敏感信息(如登录密码)的参数时,可通过在参数名前添加“@”的方式为该参数值加密,以防止敏感信息被明文形式持久化。
在MRS管理控制台查看作业信息时,敏感信息会显示为“*”。
例如:username=testuser @password=用户密码
-
服务配置参数
可选参数,用于为本次执行的作业修改服务配置参数。
该参数的修改仅适用于本次执行的作业,如需对集群永久生效,请参考修改MRS集群组件配置参数进行集群组件配置参数的修改。
例如在MRS集群未配置存算分离的场景下,作业需要通过AK/SK方式访问OBS,可增加以下服务配置参数:
- fs.obs.access.key:访问OBS的密钥ID。
- fs.obs.secret.key:访问OBS与密钥ID对应的密钥。
-
命令参考
用于展示提交作业时提交到后台执行的命令。
N/A
表2 Spark作业运行程序参数 参数
描述
示例
--conf
添加Spark任务的配置,格式为“property=value”。
更多关于Spark作业提交参数的介绍,可参考https://spark.apache.org/docs/latest/submitting-applications.html。
spark.executor.memory=2G
--conf spark-yarn.maxAppAttempts
配置Spark应用程序在YARN集群上运行时的最大尝试次数。
例如设置为0时,不允许重试,设置为1时,允许重试一次。
0
--driver-memory
设置Spark任务中为Driver分配的运行内存大小。
例如内存分配为2 GB,本参数可配置为2g;内存分配为512 MB,本参数可配置为512m。
2g
--num-executors
设置Spark任务中启动的Executor数量。
5
--executor-cores
设置Spark任务中,为每个Executor分配的CPU核心数。
2
--executor-memory
设置Spark任务中,为每个Executor分配的内存大小。
例如内存分配为2 GB,本参数可配置为2g;内存分配为512 MB,本参数可配置为512m。
2g
--class
设置任务要运行的主类名,由用户程序内的函数指定,通常是包含main方法的类。
org.apache.spark.examples.SparkPi
--files
上传文件给作业任务,可以是自己定义的配置文件或者某些数据文件,来源可以是OBS或者HDFS。
-
--jars
指定要包含在驱动程序和执行器类路径中的JAR文件,多个JAR文件用逗号分隔。
-
- 确认作业配置信息,单击“确定”,完成作业的新增。
- 作业提交成功中,可在作业列表中查看作业运行状态及执行结果,等待作业状态变为“已完成”,可查看相关程序分析结果。
在本示例程序中,单击“查看日志”,可查看Spark作业的详细执行过程。
图2 查看作业执行结果作业执行过程中,可选择“查看日志”或者“更多 > 查看详情”,查看程序的详细执行情况,如果作业执行异常或者失败,可根据报错信息进一步定位原因。
作业添加成功后,不支持进行编辑修改,如果需要再次执行作业,可选择“克隆”快速复制一个已创建的作业并进行参数调整。
- 准备应用程序及数据。
在本章节中,以集群中自带的spark-examples样例程序为例进行介绍,该样例程序包含多种功能,可以从MRS集群客户端中获取(“客户端安装目录/Spark/spark/examples/jars/spark-examples-XXX.jar”,部分版本集群中Spark2x文件夹名称为Spark,请以实际为准),然后上传至HDFS或者OBS的指定目录中,请参考上传应用数据至MRS集群。
程序类名:由用户程序内的函数指定,本应用中为用于计算圆周率的SparkPi。
- 如果当前集群已开启Kerberos认证,需提前在Manager界面中创建一个具有对应作业提交权限的业务用户,请参考创建MRS集群用户。
本示例中,创建一个人机用户testuser,关联用户组“supergroup”及角色“System_administrator”。
- 安装MRS集群客户端。
具体操作可参考安装MRS集群客户端。
MRS集群中默认安装了一个客户端用于作业提交,也可直接使用该客户端。MRS 3.x及之后版本客户端默认安装路径为Master节点上的“/opt/Bigdata/client”,MRS 3.x之前版本为Master节点上的“/opt/client”。
- 使用MRS集群客户端安装用户登录客户端所在的节点。
具体操作可参考登录MRS集群节点。
- 执行以下命令进入客户端安装目录。
cd /opt/Bigdata/client
加载环境变量:
source bigdata_env
如果当前集群已开启Kerberos认证,执行以下命令进行用户认证,如果当前集群未开启Kerberos认证,则无需执行kinit操作。
kinit testuser
- 执行以下命令进入Spark组件目录。
cd $SPARK_HOME
- 执行以下命令提交Spark作业。
./bin/spark-submit --master yarn --deploy-mode client --class org.apache.spark.examples.SparkPi examples/jars/spark-examples_*.jar 10
最终运行结果如下:
... Pi is roughly 3.1402231402231404
spark-submit参数解释:
- deploy-mode:指定Spark Driver的运行模式,可设置为client或者cluster,本示例中使用client模式提交该作业。
- class:应用程序的主类名,由具体运行的应用程序指定。
- XXX.jar:指定Spark作业执行的程序。
- --conf:指定Spark任务额外的配置属性,如果使用keytab文件进行用户认证,可配置以下参数:
- spark.yarn.principal:提交作业的用户名。
- spark.yarn.keytab:用户认证的keytab文件。
更多关于Spark作业提交参数的介绍,可参考https://spark.apache.org/docs/latest/submitting-applications.html。
- 使用testuser用户登录集群Manager页面,选择“集群 > 服务 > Yarn”,单击“ResourceManager Web UI”右侧的超链接进入Yarn WebUI页面,单击对应作业的Application ID,即可查看作业运行信息及相关日志。
图3 查看Spark作业详情
相关文档
- Spark作业的Client模式和Cluster模式区别说明请参见Spark作业的Client模式和Cluster模式有什么区别?。
- 开启Kerberos认证的集群在提交作业时,未进行IAM用户同步报错处理方法请参见提交作业时系统提示当前用户在Manager不存在如何处理?。
- 更多Spark作业运行失败故障案例处理方法请参见作业管理类常见问题和Spark故障排除。
- 更多MRS应用开发样例程序,请参见MRS应用开发指南。