k8s上的火花与k8s操作器上的火花的对比是怎样的

本期，边肖将为您带来k8s上的spark和k8s上的spark operator的对比。文章内容丰富，从专业角度进行分析和描述。看完这篇文章，希望你能有所收获。

对于目前基于k8s的的spark应用，主要采用两种方式运行

火花在k8s上由火花原生支持

基于k8s算子的k8s算子火花

前者是spark社区引入k8s客户端支持资源管理框架K8S的实现。

后者是k8s社区为支持spark开发的运营商。

k8s上的差异spark在k8s上的操作者社区支持spark社区非官方支持版本的GoogleCloudPlatform要求根据官网安装Spark=2.3，Kubernetes=1.6 Spark 2.3，Kubernetes=1.13。K8s pod创建列表编辑删除的权限是必须的，需要自己编译源代码来构建镜像。构建过程繁琐，k8s管理员需要安装孵化器/sparkoperator，需要Pod的权限创建列表编辑删除才能通过spark submit直接提交。比如在：下，代码1支持客户端和集群模式，k8s上的spark通过yaml配置文件提交，支持客户端和集群模式，提交如代码2。具体参数参考火花操作员配置的优势，以符合火花的方式提交任务。对于习惯了spark的用户来说，更容易使用k8s配置文件提交任务，可重用性强。缺点：运行后，驱动的资源不会自动释放。运行后，驱动程序的资源不会自动释放。对于spark提交方法，无论是客户端提交还是集群提交，都继承了SparkApplication。客户端提交，子类是JavaMainApplication，通过反射运行。对于k8s任务分析，集群管理器是KubernetesClusterManager，与向纱线提交任务的方式没有区别。以集群模式提交。对于k8s任务，spark程序的入口是KubernetesClientApplication，客户端会建立一个clusterIp为None的服务，执行器会和这个服务进行rpc，比如任务提交的交互。并且会构建一个以driver-conf-map为后缀的configMap，在构建spark driver pod时以volumn mount的形式引用，在驱动提交任务时这个文件的内容最终以- properties-file的形式提交给spark driver。因此，spark.driver.host等配置项被传输到驱动程序，同时会建立一个后缀为-hadoop-config的configMap。但是k8s图像怎么区分是运行执行器还是驱动程序呢？一切都在dockerfile(根据hadoop和kerbeors的不同环境配置不同)和entrypoint中，其中shell区分了驱动程序和执行器；采用k8s CRD控制器机制定制CRD，根据操作员SDK监控相应的添加、删除、检查事件。如果监控到对应CRD的创建事件，则根据对应的yaml文件配置项建立pod提交spark任务。具体实施请参考k8s操作员设计上的火花。在集群和客户端模式下提交的具体原则与k8s上的spark一致，因为镜像重用是spark的官方镜像代码1。

–

bin/spark-提交\

-master k8 s ://3359192 . 1688888886

-部署-模式集群\

名字

park-pi \
    –class org.apache.spark.examples.SparkPi \
    –conf spark.executor.instances=2 \
    –conf "spark.kubernetes.namespace=dev" \
    –conf "spark.kubernetes.authenticate.driver.serviceAccountName=lijiahong" \
    –conf "spark.kubernetes.container.image=harbor.k8s-test.uc.host.dxy/dev/spark-py:cdh-2.6.0-5.13.1" \
    –conf "spark.kubernetes.container.image.pullSecrets=regsecret" \
    –conf "spark.kubernetes.file.upload.path=hdfs:///tmp" \
    –conf "spark.kubernetes.container.image.pullPolicy=Always" \
    hdfs:///tmp/spark-examples_2.12-3.0.0.jar

code 2
---
apiVersion: "sparkoperator.k8s.io/v1beta2"
kind: SparkApplication
metadata:
  name: spark-pi
  namespace: dev
spec:
  type: Scala
  mode: cluster
  image: "gcr.io/spark-operator/spark:v3.0.0"
  imagePullPolicy: Always
  mainClass: org.apache.spark.examples.SparkPi
  mainApplicationFile: "local:///opt/spark/examples/jars/spark-examples_2.12-3.0.0.jar"
  sparkVersion: "3.0.0"
  restartPolicy:
    type: Never
  volumes:
    - name: "test-volume"
      hostPath:
        path: "/tmp"
        type: Directory
  driver:
    cores: 1
    coreLimit: "1200m"
    memory: "512m"
    labels:
      version: 3.0.0
    serviceAccount: lijiahong
    volumeMounts:
      - name: "test-volume"
        mountPath: "/tmp"
  executor:
    cores: 1
    instances: 1
    memory: "512m"
    labels:
      version: 3.0.0
    volumeMounts:
      - name: "test-volume"
        mountPath: "/tmp"

上述就是小编为大家分享的spark on k8s与spark on k8s operator的对比是怎样的了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注行业资讯频道。