1. 什么是 Spark on YARN？

Spark on YARN 是 Apache Spark 的一种部署模式，允许 Spark 应用程序在 Hadoop YARN 集群上运行，充分利用 YARN 的资源管理和调度能力。这种模式将 Spark 与 Hadoop 生态深度集成，使企业能够在同一集群上统一管理批处理、流处理、交互式查询等多种工作负载。

2. 核心优势

1. 资源统一管理

   • 与 Hadoop 共享集群资源，避免资源孤岛（如 MapReduce、Hive、Spark 可共存）。
   • YARN 根据工作负载动态分配资源，提高集群利用率。

2. 简化运维

   • 依托 YARN 的高可用性（HA）和资源隔离机制，降低运维复杂度。
   • 支持与现有 Hadoop 集群无缝集成，无需额外部署集群管理器。

3. 灵活的资源分配

   • 支持 内存 / CPU 细粒度控制，通过 spark-submit 参数调整资源分配。
   • 可配置多队列（如生产队列、测试队列），实现资源隔离。

4. 丰富的调度策略

   • 继承 YARN 的调度器（容量调度器、公平调度器），满足不同业务需求。

3. 架构组件

Spark on YARN 的架构涉及三个核心组件：

1. YARN 组件

   • ResourceManager (RM)：全局资源管理器，负责分配集群资源。
   • NodeManager (NM)：每个节点的代理，管理容器（Container）生命周期。
   • 调度器：如容量调度器（Capacity Scheduler）或公平调度器（Fair Scheduler）。

2. Spark 组件

   • Driver：应用程序的主进程，负责调度任务。
   • Executor：运行在容器中的工作进程，执行具体计算任务。

3. 通信流程

   • Spark 应用通过 spark-submit 向 YARN RM 提交请求。
   • RM 分配 Container 并启动 ApplicationMaster（Spark Driver）。
   • Driver 向 RM 注册并请求资源，然后与 NM 通信启动 Executor。

4. 部署模式

Spark on YARN 支持两种部署模式：

1. Client 模式

   • Driver 运行在客户端：
     • 适用于交互式应用（如 Spark Shell、Jupyter Notebook）。
     • Driver 在提交作业的客户端进程中运行，直接接收任务输出。
   • 提交命令：

     bash

     spark-submit \--master yarn \--deploy-mode client \--num-executors 10 \--executor-memory 4g \my-app.jar
     

2. Cluster 模式

   • Driver 运行在集群中：
     • 适用于生产环境，避免客户端与集群长时间连接。
     • Driver 作为 YARN 中的一个 ApplicationMaster 运行，与客户端分离。
   • 提交命令：

     bash

     spark-submit \--master yarn \--deploy-mode cluster \--num-executors 10 \--executor-memory 4g \my-app.jar
     

5. 资源配置参数

通过 spark-submit 或 spark-defaults.conf 配置：

参数	说明
--num-executors	启动的 Executor 数量（默认 2）。
--executor-memory	每个 Executor 的内存大小（如 4g）。
--executor-cores	每个 Executor 的 CPU 核心数（默认 1）。
--driver-memory	Driver 的内存大小（默认 1g）。
--queue	指定 YARN 队列名称（如 default、prod）。
--conf spark.yarn.maxAppAttempts	应用最大重试次数（默认 2）。
--conf spark.yarn.executor.memoryOverhead	每个 Executor 的堆外内存（默认 executorMemory * 0.10）。

6. 典型应用场景

1. 混合工作负载集群

   • 在同一 Hadoop 集群上同时运行 Spark、MapReduce、Hive 等作业。

2. 企业级数据平台

   • 利用 YARN 的资源隔离特性，为不同部门分配专用队列（如财务、研发）。

3. 大规模数据处理

   • 处理 PB 级数据，通过 YARN 动态调整资源应对峰值负载。

7. 监控与故障排查

1. YARN Web UI

   • http://resourcemanager:8088：查看所有应用状态、资源使用情况。

2. Spark Web UI

   • Driver 运行时的 Web UI（默认端口 4040）：

     plaintext

     http://driver-node:4040  # Client 模式
     http://application-master-node:4040  # Cluster 模式
     

3. 日志查看

   • YARN 应用日志：

     bash

     yarn logs -applicationId <application_id>
     

8. 优缺点

优点	缺点
与 Hadoop 生态无缝集成	依赖 YARN，增加部署复杂度
资源利用率高	任务启动延迟较高（需等待 Container 分配）
支持高可用性	需深入理解 YARN 配置和调优
多租户资源隔离	对网络和磁盘 I/O 敏感

9. 配置步骤

1. 确保 YARN 正常运行

   • 启动 HDFS 和 YARN：

     bash

     start-dfs.sh
     start-yarn.sh
     

2. 配置 Spark

   • 编辑 $SPARK_HOME/conf/spark-env.sh：

     bash

     export HADOOP_CONF_DIR=/path/to/hadoop/etc/hadoop  # Hadoop 配置目录
     

3. 提交作业

   bash

   spark-submit \--master yarn \--deploy-mode cluster \--class org.apache.spark.examples.SparkPi \$SPARK_HOME/examples/jars/spark-examples_*.jar \100