我正在尝试在本地托管一个 spark 独立集群。我在局域网上连接了两台异构机器。下面列出的架构的每一部分都在 docker 上运行。 我有以下配置
- master 在机器 1 上(暴露端口 7077)
- 机器 1 上的 worker
- 机器 2 的驱动程序
我使用一个测试应用程序来打开一个文件并计算它的行数。
当文件复制到所有工作人员并且我使用 SparkContext.readText()
但是,当我使用 SparkContext.parallelize()
在 worker 上访问它时,文件仅存在于 worker 上时,我有以下显示:
INFO StandaloneSchedulerBackend: Granted executor ID app-20180116210619-0007/4 on hostPort 172.17.0.3:6598 with 4 cores, 1024.0 MB RAM
INFO StandaloneAppClient$ClientEndpoint: Executor updated: app-20180116210619-0007/4 is now RUNNING
INFO StandaloneAppClient$ClientEndpoint: Executor updated: app-20180116210619-0007/4 is now EXITED (Command exited with code 1)
INFO StandaloneSchedulerBackend: Executor app-20180116210619-0007/4 removed: Command exited with code 1
INFO StandaloneAppClient$ClientEndpoint: Executor added: app-20180116210619-0007/5 on worker-20180116205132-172.17.0.3-6598 (172.17.0.3:6598) with 4 cores```
在没有实际计算应用程序的情况下不断重复。
当我将驱动程序与工作人员放在同一台电脑上时,它就可以工作了。所以我猜这两个网络之间存在某种允许的连接。您是否知道这样做的方法(要打开哪些端口,要在/etc/hosts 中添加哪个地址...)
最佳答案
TL;DR 确保可以从集群中的每个节点访问 spark.driver.host:spark.driver.port
。
一般来说,您已确保所有节点(执行程序和主节点)都可以访问驱动程序。
- 在集群模式下,驱动程序在其中一个执行程序上运行,这在默认情况下是满足的,只要没有为连接关闭的端口(见下文)。
- 在客户端模式下,已经启动驱动程序的机器必须可以从集群访问。这意味着
spark.driver.host
必须解析为可公开访问的地址。
在这两种情况下,您都必须记住,默认情况下驱动程序在随机端口上运行。可以通过设置 spark.driver.port
使用固定的。显然,如果您想同时提交多个申请,这就不太管用了。
此外:
when when the file is only present on worker
不会工作。所有输入都必须可以从驱动程序以及每个执行程序节点访问。
关于apache-spark - Spark 到 worker 的独立连接驱动程序,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49884290/