在前面的 Spark 发展历程和基本概念中介绍了 Spark 的一些基本概念，熟悉了这些基本概念对于集群的搭建是很有必要的。我们可以了解到每个参数配置的作用是什么。这里将详细介绍 Spark 集群搭建以及 xml 参数配置。Spark 的集群搭建分为分布式与伪分布式，分布式主要是与 hadoop Yarn 集群配合使用，伪分布式主要是单独使用作为测试。
Spark 完全分布式搭建
由于 Hadoop 和 Spark 集群占用的内存较高，这种完全分布式集群的搭建对于跑应用来说太吃力，如果有服务器可以尝试，这里采用虚拟机方式实验，详情请看我的博客园：Hadoop2.8 与 spark2.1 集群搭建
这里是一个早前的实验，但是确实没有怎么使用，因为当时对参数没有做优化，也没有理解其中个参数的含义。所以跑应用很吃力，而且会非常卡。下面直接介绍其中的各个参数。
Spark 配置参数详解
上一步配置 Spark 集群的时候我们使用了三个节点：一个 Master ，两个 Worker，我们启动脚本的时候就会启动三个守护进程，分别名为 Master，worker，worker。
conf/slaves.xml 配置:在这里我们指定哪些机器作为 Worker 节点。伪分布式的话不要配置，因为 Master，worker 会在一个节点上启动。
conf/spark-env.sh 配置：核心配置文件，配置的是 spark 应用的运行环境，详细配置了各个组件的细节。下面是他的一些参数:
| 参数 | 简介 |
|---|---|
| SPARK_MASTER_IP | 指定master进程所在的机器的ip地址 |
| SPARK_MASTER_PORT | 指定master监听的端口号（默认是7077） |
| SPARK_MASTER_WEBUIPORT | 指定master web ui的端口号（默认是8080） |
| SPARK_LOCAL_DIRS | 指spark的工作目录，包括了shuffle map输出文件，以及持久化到磁盘的RDD等 |
| SPARK_WORKER_PORT | worker节点的端口号，默认是随机的 |
| SPARK_WORKER_CORES | worker节点上，允许spark作业使用的最大cpu数量，默认是机器上所有的cpu core |
| SPARK_WORKER_MEMORY | worker节点上，允许spark作业使用的最大内存量，格式为1000m，2g等，默认最小是1g内存 |
| SPARK_WORKER_INSTANCES | 当前机器上的worker进程数量，默认是1，可以设置成多个，但是这时一定要设置SPARK_WORKER_CORES，限制每个worker的cpu数量 |
| SPARK_WORKER_DIR | spark作业的工作目录，包括了作业的日志等，默认是spark_home/work |
| SPARK_DAEMON_MEMORY | 分配给master和worker进程自己本身的内存，默认是1g |
| SPARK_PUBLISC_DNS | master和worker的公共dns域名，默认是空 |
| 参数 | 简介 |
|---|---|
| SPARK_MASTER_OPTS | 设置master的额外参数，使用"-Dx=y"设置各个参数 |
比如说 export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=1"
| 参数(x) | 默认值(y) | 简介 |
|---|---|---|
| spark.deploy.defaultCores | 无限大 | 每个spark作业最多在standalone集群中使用多少个cpu core，默认是无限大，有多少用多少 |
| spark.deploy.retainedApplications | 200 | 在spark web ui上最多显示多少个application的信息 |
| spark.deploy.retainedDrivers | 200 | 在spark web ui上最多显示多少个driver的信息 |
| spark.deploy.spreadOut | true | 资源调度策略，spreadOut会尽量将application的executor进程分布在更多worker上，适合基于hdfs文件计算的情况，提升数据本地化概率；非spreadOut会尽量将executor分配到一个worker上，适合计算密集型的作业 |
| spark.deploy.timeout | 60 | 单位秒，一个worker多少时间没有响应之后，master认为worker挂掉了 |
| 参数 | 简介 |
|---|---|
| SPARK_WORKEROPTS | worker的额外参数，使用"-Dx=y"设置各个参数 |
SPARK_WORKEROPTS 的一些参数配置（x，y）如下：
| 参数(x) | 默认值(y) | 简介 |
|---|---|---|
| spark.worker.cleanup.enabled | false | 是否启动自动清理worker工作目录，默认是false |
| spark.worker.cleanup.interval | 1800 | 单位秒，自动清理的时间间隔，默认是30分钟 |
| spark.worker.cleanup.appDataTtl | 7 * 24 * 3600 | 默认将一个spark作业的文件在worker工作目录保留多少时间，默认是7天 |
| 参数 | 简介 |
|---|---|
| SPARK_DAEMON_JAVAOPTS | 设置master和worker自己的jvm参数，使用"-Dx=y"设置各个参数 |
这里一些内存相关的参数大家看过就明白了，为什么之前用分布式的集群，每个 worker 节点才 1 个 g 内存，根本是没有办法使用 standalone 模式和 yarn 模式运行作业的，仅仅是启动进程耗费的内存就已经非常严重了，其中一些内存分配不合理就会导致启动的时候资源分配失败.如果还要在 Yarn 模式上运行的话，Hadoop 集群进程还会占用一部分内存。所以说 Spark 使用是非常消耗资源的。有时候资源也会成为性能的一个瓶颈。
欢迎来到这里！
我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。
注册 关于