https://blog.csdn.net/u014393917/article/details/24640715
Spark on yarn执行流程源码分析
眼下的分析主要基于spark0.9.0的cdh5的版本号进行分析，
源码下载地址：https://github.com/cloudera/spark.git
下载方式：gitclone url ./spark
进入spark文件夹。执行gitcheckout cdh5-0.9.0_5.0.0
源码编译
使用sbt编译spark
执行sbt命令须要使用http代理。不然连接不上网络。进入sbt/文件夹，使用vimsbt改动里面的内容，
在最以下java命令的第二行加入-Dhttp.proxyHost=myserver-Dhttp.proxyPort=port
执行例如以下命令编译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，在文件最后的例如以下脚本部分：
printf"Launching sbt from ${JAR} "
java
-Xmx1200m-XX:MaxPermSize=350m -XX:ReservedCodeCacheSize=256m
-jar${JAR}
"$@"
改动为
printf"Launching sbt from ${JAR} "
java
-Dhttp.proxyHost=myserver-Dhttp.proxyPort=port
-Xmx1200m-XX:MaxPermSize=350m -XX:ReservedCodeCacheSize=256m
-jar${JAR}
"$@"
通过例如以下命令通过sbt对spark进行编译
SPARK_HADOOP_VERSION=2.3.0-cdh5.0.0SPARK_YARN=true sbt/sbt assembly
sbt命令请參考http://www.scala-sbt.org/release/docs/Getting-Started/Running.html#common-commands
生成tar包
在spark_home的根文件夹下，执行例如以下命令，编译spark的分布式部署tar.gz包
改动make-distribution.sh文件，
在例如以下命令后
Makedirectories
rm-rf "$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/"
加入此信息，把examples加入到tar.gz包中(測试过程能够执行此操作,把演示样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--hadoop 2.3.0-cdh5.0.0--with-yarn --tgz
命令执行完毕后，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执行spark演示样例程序
通过export命令设置yarn的conf环境变量，假设没有配置全局的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的配置文件加入到project中。
2.把spark的jar加入到project中。作用于当前project的class引用,
3.在project中环境变量设置SPARK_JAR,来引用sparkjar的位置,
4.在project中环境变量设置SPARK_LOG4J_CONF,来引用sparklog4j的位置
通过SPARK_YARN_USER_ENV配置其他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执行时的使用，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,也能够在client调用进传入
b.属性名称spark.yarn.report.interval，默认值1000。app执行监控的间隔时间ms。
c.属性名称spark.yarn.submit.file.replication，默认值3。上传给yarn上执行的资源的复制份数，包含sparkjar,appjar
d.属性名称spark.yarn.max.worker.failures，默认值3或numworker传入參数的值*2取最大值。
作用于app失败的重试次数,假设重试次数超过了指定的值。表示app执行失败。
e.属性名称spark.yarn.applicationMaster.waitTries，默认值10。
等待SparkContext初始化完毕的等待次数，
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。