在Amazon EC2上运行Spark

Spark的ec2目录下有一个spark-ec2脚本，可以帮助你在Amazon EC2上启动、管理、关闭Spark集群。该脚本能在EC2集群上自动设置好Spark和HDFS。本文将会详细描述如何利用spark-ec2脚本来启动和关闭集群，以及如何在集群提交作业。当然，首先你必须在Amazon Web Services site上注册一个EC2的账户。

spark-ec2可以管理多个命名集群。你可以用它来启动一个新集群（需要提供集群大小和集群名称），关闭一个已有的集群，或者登陆到一个集群。每一个集群的机器将会被划分到不同的EC2安全组（EC2 security groups）当中，而这些安全组的名字是由集群的名称派生而来。例如，对于一个命名为test的集群，其主节点（master）将被分到一个叫test-master的安全组，而其他从节点（slave）将被分配到test-slaves安全组。spark-ec2脚本会自动根据你提供的集群名称，来创建安全组。你可以在EC2的控制台（Amazon EC2 Console）中使用这些名字。

准备工作

• 首先，你需要创建Amazon EC2 key pair 。这需要登陆Amazon Web Services账号，在AWS控制台（AWS console）上点击侧边栏上的Key Pairs来创建，并下载。同时，你要确保给这私匙文件附上600权限（即：可读可写）以便使用ssh登陆。
• 使用spark-ec2的时候，一定要设置好这两个环境变量， AWS_ACCESS_KEY_ID 和AWS_SECRET_ACCESS_KEY，并使其指向你的Amazon EC2 access key ID 和 secret access key。这些都可以在AWS主页（AWS homepage）上，点击 Account > Security Credentials > Access Credentials获得。

启动集群

• 切换到你下载的spark的ec2目录下
• 运行命令./spark-ec2 -k <keypair> -i <key-file> -s <num-slaves> launch <cluster-name>，其中<keypair>是你的Amazon EC2 key pair的名字（你创建Amazon EC2 key pair的时候所指定的名字），<key-file>是Amazon EC2 key pair的私钥（private key）文件，<num-slaves>是slave节点个数（至少是1），<cluster-name>是你指定的集群名称。

例如：

bash export AWS_SECRET_ACCESS_KEY=AaBbCcDdEeFGgHhIiJjKkLlMmNnOoPpQqRrSsTtU \
export AWS_ACCESS_KEY_ID=ABCDEFG1234567890123

./spark-ec2 --key-pair=awskey \
--identity-file=awskey.pem \
--region=us-west-1 \
--zone=us-west-1a \
launch my-spark-cluster

• 集群启动完成后，检查一下集群调度器是否启动，同时，你可以在Web UI上查看是否所有的slave节点都正确的展示出来了，Web UI的链接在脚本执行完以后会打印在屏幕上（通常这个链接是 http://<master-hostname>:8080）

你可以运行./spark-ec2 –help 来查看更多的选项。以下是比较重要的一些选项：

• –instance-type=<instance-type> 可以指定EC2机器的实例类型。目前，该脚本只支持64-bit的实例类型。
• –region=<ec2-region>可以指定EC2集群部署于哪个地域，默认地域是 us-east-1。
• –zone=<ec2-zone>可以指定EC2集群实例部署在哪些地区（EC2的可用地区）。指定这个参数时注意，有时候因为在某些地区可能出现容量不够，因此你可能需要在其他地区启动EC2集群。
• –ebs-vol-size=<GB>可以在每个节点上附加一个EBS（弹性可持续存储）卷，并指定其总容量，这些存储时可持久化的，即使集群重启也不会丢失。
• –spot-price=<price> 将启动竞价型实例（Spot Instances）工作节点，这些节点可以按需分配，可竞价，并且可以设定竞价最高价格（以美元计）。
• –spark-version=<version> 可以在集群中预先加载指定版本的spark。<version>可以是一个版本号（如：0.7.3）或者是一个git hash值。默认会使用最新版本的spark。
• –spark-git-repo=<repository url> 可以指定一个自定义的git库，从而下载并部署该git库中特定的spark构建版本。默认使用Apache Github mirror 。如果同时指定了spark版本，那么–spark-version参数值不能使用版本号，而必须是一个git提交对应的git commit hash（如：317e114）。
• 如果启动过程中由于某些原因失败了（如：没有给private key文件设定正确的文件权限），你可以用–resume选项来重启并继续已有集群的部署过程。

在VPC（Amazon Virtual Private Cloud）上启动集群

• 运行 ./spark-ec2 -k <keypair> -i <key-file> -s <num-slaves> –vpc-id=<vpc-id> -subnet-id=<subnet-id> launch <cluster-name>，其中，<keypair>是你的EC2 key pair（之前已经创建的），<key-file>是key pair中的私钥文件，<num-slaves> 是从节点个数（如果你是第一次用，可以先设成1），<vpc-id> 是VPC的名称，<subnet-id> 是你的子网名称，最后<cluster-name>是你的集群名称。

例如：

bash export AWS_SECRET_ACCESS_KEY=AaBbCcDdEeFGgHhIiJjKkLlMmNnOoPpQqRrSsTtU \
export AWS_ACCESS_KEY_ID=ABCDEFG1234567890123 

./spark-ec2 --key-pair=awskey \
--identity-file=awskey.pem \
--region=us-west-1 \
--zone=us-west-1a \
--vpc-id=vpc-a28d24c7 \
--subnet-id=subnet-4eb27b39 \
--spark-version=1.1.0 \
launch my-spark-cluster

运行应用

• 转到你下载的spark的ec2目录下
• 执行 ./spark-ec2 -k <keypair> -i <key-file> login <cluster-name> 远程登录到你的EC2集群，其中，<keypair> 和<key-file> 的说明见本文上面（这里只是为了方便说明，你也可以使用EC2的控制台）
• 如果需要把代码或数据部署到EC2集群中，你可以在登录后，使用脚本 ~/spark-ec2/copy-dir，并指定一个需要RSYNC同步到所有从节点（slave）上的目录。
• 如果你的应用需要访问一个很大的数据集，最快的方式就是从Amazon S3或者Amazon EBS设备上加载这些数据，然后放到你集群中的HDFS上。spark-ec2脚本已经为你设置好了一个HDFS，其安装目录为/root/ephemeral-hdfs，并且可以使用该目录下的bin/hadoop脚本访问。需要特别注意的是，这个HDFS上的数据，在集群停止或重启后，会被自动删掉。
• 集群中也有可以持久的HDFS，其安装路径为/root/persistent-hdfs，这个HDFS保存的数据即使集群重启也不会丢失。但一般情况下，这个HDFS在每个节点上可使用的空间较少（约为3GB），你可以用spark-ec2的选项–ebs-vol-size来指定每个节点上持久化HDFS所使用的空间大小。
• 最后，如果你的应用出错，你可以看看改应用在slave节点的日志，日志位于调度器工作目录下（/root/spark/work）。当然，你也可以通过web UI（http://<master-hostname>:8080）查看一下集群状态。

配置

你可以编辑每个节点上的/root/spark/conf/spark-env.sh文件来设置Spark配置选项（如：JVM选项参数）。这个文件一旦更改，你必须将其复制到集群中所有节点上。最简单的方式仍然是使用 copy-dir 这个脚本。首先，编辑主节点（master）上的spark-env.sh文件，然后，运行 ~/spark-ec2/copy-dir  /root/spark/conf 将conf目录RSYNC到所有工作节点上。

configuration guide 这一边文档说明了有哪些可用的选项配置。

终止集群

请注意，如果EC2节点被关闭后，是没有办法恢复其数据的！所以，请务必确保在关闭节点之前，将所有重要的数据复制出来，备份好。

• 切换到spark下的ec2目录
• 运行命令 ./spark-ec2 destroy <cluster-name>

暂停和重启集群

spark-ec2脚本同样支持暂停集群。这种情况下，集群实例所使用的虚拟机都是被停止，但不会销毁，所以虚拟机上临时盘数据都会丢失，但root分区以及持久HDFS（persistent-hdfs）上的数据不会丢失。停止机器实例不会多花EC2周期（意味着不用为机器实例付费），但会持续EBS存储的计费。

• 要停止一个集群，你需要切到ec2目录下，运行 ./spark-ec2 –region=<ec2-region> stop <cluster-name>
• 如果过后又要重启，请运行 ./spark-ec2 -i <key-file> –region=<ec2-region> start <cluster-name>
• 如果需要最终销毁这个集群，并且不再占用EBS存储空间，需要运行 ./spark-ec2 –region=<ec2-region> destroy <cluster-name>（如前一小节所述）

限制

• 对“集群计算”的支持有个限制 – 无法指定一个局部群组。不过，你可以在<cluster-name>-slaves群组中手工启动一些slave节点，然后用 spark-ec2 launch –resume 这个命令将手工启动的节点组成一个集群。

如果你发现一些新的限制或者有什么建议，欢迎贡献（contribute）到社区。

访问S3上的数据

Spark文件接口允许你通过相同的URI格式访问所有在Amazon S3上的数据，当然这些数据格式必须是Hadoop所支持的。你可以通过这种URI格式指定S3路径 s3n://<bucket>/path。在启动Spark集群的时候，可以使用选项–copy-aws-credentials来指定访问S3的AWS证书。更完整的访问S3所需的Hadoop库可以在这里查看 Hadoop S3 page.

另外，访问S3的时候，你不仅可以将单个文件路径作为输入，同时也可以将整个目录路径作为输入。