blog/article
2
1
Fork 0
Code Pull Requests Activity

spark

Browse Source
This commit is contained in:
xking
2025-10-14 10:58:35 +08:00
parent 0db290eec5
commit a7525abf6b
2 changed files with 343 additions and 0 deletions
Download Patch File Download Diff File Expand all files Collapse all files

177
spark/spark kerberos认证与 YARN 的代理机制.md Normal file
View File

@@ -0,0 +1,177 @@
## spark kerberos认证与 YARN 的代理机制
在 Spark 中，**自行实现 Kerberos 认证**与依赖**YARN 的代理认证机制**存在本质区别，尤其当 YARN 本身已启用 Kerberos 时，需要明确两者的协作方式。以下是详细说明：
### **一、Spark 自行认证 vs YARN 代理认证的核心区别**
| **维度** | **Spark 自行实现认证** | **YARN 代理认证机制** |
|------------------------|---------------------------------------------------|---------------------------------------------------|
| **认证主体** | 直接使用 Spark 应用的 Kerberos Principal（如 `spark@EXAMPLE.COM`） | YARN 作为代理，使用 YARN 的 Principal 替 Spark 完成认证 |
| **凭证管理** | 由 Spark 应用手动加载 Keytab 并定期刷新 TGT（如通过定时任务） | YARN 自动为 Spark 分配临时凭证（Delegation Token），并管理生命周期 |
| **适用场景** | - 长期运行的应用（如 Streaming）<br>- 非 YARN 模式（Standalone/K8s）<br>- 需要细粒度控制认证逻辑 | - 短期批处理作业<br>- YARN 集群模式<br>- 依赖 YARN 统一管理凭证 |
| **配置方式** | 代码中手动调用 `UserGroupInformation.loginUserFromKeytab()`，需指定 Keytab 路径 | 通过 `--keytab` 和 `--principal` 提交参数，依赖 YARN 自动处理 |
| **凭证分发范围** | 需确保 Keytab 能被 Driver 和 Executor 访问（如通过 `--files` 分发） | YARN 自动将临时凭证分发到所有容器（Container），无需显式处理 |
### **二、当 YARN 已启用 Kerberos 时的处理方式**
若 YARN 集群本身启用了 Kerberos 认证（即访问 YARN 资源管理器需要 Kerberos 凭证），Spark 应用需要同时处理**两层认证**：
1. **Spark 与 YARN 的认证**：证明 Spark 有权限提交作业到 YARN。
2. **Spark 与其他服务的认证**：证明 Spark 有权限访问 HDFS、Hive、Kafka 等服务。
此时需结合两种认证方式，具体配置如下：
#### **1. 提交作业时的基础配置**
必须通过 `--keytab` 和 `--principal` 告知 YARN 应用的身份，确保 Spark 能成功提交到 YARN 并获取资源：
```bash
spark-submit \
--master yarn \
--deploy-mode cluster \
--keytab /path/to/spark.keytab \ # Spark 应用的 Keytab
--principal spark@EXAMPLE.COM \ # Spark 应用的 Principal
--files /path/to/hive-site.xml \ # 可选：分发 Hive 配置
--class com.example.SparkApp \
your-application.jar
```
**核心作用**：
- YARN 通过 `--keytab` 和 `--principal` 验证 Spark 提交者的身份，允许作业提交。
- YARN 会自动为 Spark 申请访问 HDFS、Hive 等服务的临时凭证（Delegation Token），并分发给 Executor。
#### **2. 长期运行应用的特殊处理**
对于 Streaming 等长期运行的应用，YARN 自动分配的临时凭证可能过期（默认有效期较短，通常几小时），需结合**自行认证逻辑**刷新凭证：
​
```scala
import org.apache.hadoop.security.UserGroupInformation
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.streaming.Trigger
import java.util.concurrent.{Executors, TimeUnit}
import org.slf4j.LoggerFactory
object SparkYARNKerberosApp {
private val logger = LoggerFactory.getLogger(SparkYARNKerberosApp.getClass)
// 从提交参数中获取 Principal（通过 --conf 传递）
private def getPrincipal(spark: SparkSession): String = {
spark.conf.get("spark.yarn.principal")
}
// 获取 YARN 分发的 Keytab 本地路径（通过 --files 分发）
private def getKeytabPath(): String = {
val keytabFileName = System.getenv("SPARK_KEYTAB_FILENAME") // 从环境变量传入文件名
new java.io.File(keytabFileName).getAbsolutePath
}
def main(args: Array[String]): Unit = {
// 1. 创建 SparkSession（已通过 --keytab 和 --principal 完成 YARN 认证）
val spark = SparkSession.builder()
.appName("Spark on YARN with Kerberos")
.enableHiveSupport()
.getOrCreate()
// 2. 获取 YARN 传递的认证信息
val principal = getPrincipal(spark)
val keytabPath = getKeytabPath()
logger.info(s"YARN 认证信息 - Principal: $principal, Keytab: $keytabPath")
// 3. 启动长期任务的凭证刷新机制（处理 YARN 临时凭证过期问题）
startCredentialRefresh(principal, keytabPath)
// 4. 运行长期 Streaming 任务
runStreamingJob(spark)
spark.stop()
}
/**
* 启动凭证刷新任务，同时兼容 YARN 代理凭证和手动认证
*/
private def startCredentialRefresh(principal: String, keytabPath: String): Unit = {
val scheduler = Executors.newSingleThreadScheduledExecutor()
// 每 12 小时刷新一次（短于 YARN 临时凭证有效期）
scheduler.scheduleAtFixedRate(() => {
try {
val currentUser = UserGroupInformation.getCurrentUser()
// 优先使用 YARN 代理的凭证刷新
if (currentUser.hasKerberosCredentials) {
currentUser.checkTGTAndReloginFromKeytab()
logger.info("通过 YARN 代理刷新凭证成功")
} else {
// YARN 凭证失效时，手动重新登录
logger.warn("YARN 代理凭证失效，尝试手动登录")
UserGroupInformation.loginUserFromKeytab(principal, keytabPath)
}
} catch {
case e: Exception =>
logger.error("凭证刷新失败，强制重新登录", e)
UserGroupInformation.loginUserFromKeytab(principal, keytabPath)
}
}, 0, 12, TimeUnit.HOURS)
// 应用退出时关闭线程池
sys.addShutdownHook {
scheduler.shutdown()
}
}
/**
* 示例：访问需要认证的服务（Hive/Kafka 等）
*/
private def runStreamingJob(spark: SparkSession): Unit = {
import spark.implicits._
// 从 Hive 读取数据（依赖 YARN 分配的 Hive 凭证）
val hiveDF = spark.sql("SELECT * FROM secure_db.secure_table")
// 写入 HDFS（依赖 YARN 分配的 HDFS 凭证）
val query = hiveDF.writeStream
.outputMode("append")
.format("parquet")
.option("path", "hdfs:///user/spark/streaming/output")
.trigger(Trigger.ProcessingTime("5 minutes"))
.start()
query.awaitAnyTermination()
}
}
```
#### **3. 关键配置说明**
- **YARN 代理凭证的局限性**：YARN 分配的临时凭证（如 HDFS Delegation Token）有有效期（通常由 `dfs.delegation.token.lifetime` 控制，默认 7 天），长期运行的应用需主动刷新。
- **双重认证的协作**：
- 短期作业：仅依赖 YARN 代理认证即可（无需手动处理）。
- 长期作业：需在代码中添加定时刷新逻辑，优先使用 YARN 代理凭证，失效时通过 Keytab 重新登录。
- **安全配置传递**：确保 `hive-site.xml`、`core-site.xml` 等配置文件通过 `--files` 或 `HADOOP_CONF_DIR` 传递给 Spark，避免认证配置缺失。
### **三、常见问题与解决方案**
1. **YARN 提交失败：`No valid credentials`**
- 原因：未通过 `--keytab` 和 `--principal` 提供 Spark 应用的身份，或 Keytab 权限错误。
- 解决：确保 Keytab 权限为 `600`，且 `--principal` 与 Keytab 中的主体一致。
2. **长期运行后 HDFS 访问失败：`Token expired`**
- 原因：YARN 分配的 HDFS 临时凭证过期，且未手动刷新。
- 解决：在代码中添加定时刷新逻辑（如示例中的 `startCredentialRefresh` 方法）。
3. **Executor 认证失败：`Keytab not found`**
- 原因：Keytab 未通过 `--files` 分发到 Executor，或路径硬编码导致无法访问。
- 解决：通过 `--files` 分发 Keytab，代码中通过当前工作目录动态获取路径（如 `new File(keytabFileName).getAbsolutePath`）。
### **总结**
- **短期作业**：直接依赖 YARN 代理认证（`--keytab` + `--principal`），无需额外代码处理。
- **长期作业**：需结合 YARN 代理认证和手动刷新逻辑，确保凭证不过期。
- **核心原则**：YARN 负责 Spark 与集群资源的认证，Spark 自行处理与其他服务的长期认证，两者协作实现全链路安全访问。

166
spark/spark配置优先级.md Normal file
View File

@@ -0,0 +1,166 @@
# Spark 中 Hadoop/Hive 配置文件指定与优先级文档
## 1. 概述
在 Spark 与 Hadoop、Hive 集成过程中，需通过多种方式指定配置文件（如 `hive-site.xml`、`core-site.xml`、`yarn-site.xml`），不同指定方式存在明确的优先级顺序。本文档系统整理 Spark 中 Hadoop/Hive 配置文件的指定方法及优先级规则，帮助开发者解决配置冲突、确保配置生效。
## 2. Spark 中 Hadoop/Hive 配置文件的指定方式
Spark 支持多种方式指定 Hadoop/Hive 配置文件，适用于不同部署场景（本地模式、集群模式、临时作业等），具体方式如下：
### 2.1 方式 1：通过 `--files` 选项分发（集群临时配置）
通过 `spark-submit` 的 `--files` 选项，将本地或指定路径的 `hive-site.xml` 等配置文件分发到所有 Executor 工作目录，适用于**不同作业需差异化配置**的场景，无需修改集群全局配置。
**使用示例**：
```bash
spark-submit \
--files /path/to/local/hive-site.xml # 本地配置文件路径，会分发到Executor
--class com.example.SparkHiveApp \
./spark-hive-app.jar
```
**特点**：
- 配置文件仅对当前提交的作业生效，不影响其他作业
- 自动分发到 YARN/K8s 集群所有节点，避免节点间配置不一致
### 2.2 方式 2：通过环境变量 `HADOOP_CONF_DIR` 指定（全局统一配置）
设置 `HADOOP_CONF_DIR` 环境变量，指向包含 Hadoop/Hive 配置文件的目录，Spark 会自动加载该目录下的 `hive-site.xml`、`core-site.xml` 等文件，适用于**集群全局统一配置**场景。
**使用示例**：
```bash
# 1. 临时生效（当前终端）
export HADOOP_CONF_DIR=/path/to/hadoop-conf # 目录需包含hive-site.xml等
# 2. 永久生效（Linux系统，编辑/etc/profile）
echo "export HADOOP_CONF_DIR=/path/to/hadoop-conf" >> /etc/profile
source /etc/profile
# 3. 提交作业
spark-submit --class com.example.SparkHiveApp ./spark-hive-app.jar
```
**特点**：
- 配置对所有通过该终端提交的 Spark 作业生效
- 需确保所有节点的 `HADOOP_CONF_DIR` 指向一致路径（本地路径或共享存储路径）
### 2.3 方式 3：放置到默认目录（静态全局配置）
Spark 会自动扫描以下默认目录，加载 Hadoop/Hive 配置文件，适用于**静态集群配置**（无需频繁修改）：
1. Spark 安装目录的 `conf` 文件夹（`$SPARK_HOME/conf`）
2. Hadoop 安装目录的 `conf` 文件夹（依赖 `HADOOP_HOME` 环境变量）
**使用示例**：
```bash
# 将hive-site.xml复制到Spark默认conf目录
cp /path/to/hive-site.xml $SPARK_HOME/conf/
# 提交作业（无需额外指定配置路径）
spark-submit --class com.example.SparkHiveApp ./spark-hive-app.jar
```
**特点**：
- 配置长期生效，适合集群基础固定配置
- 需手动同步所有节点的默认目录配置文件，避免节点间不一致
### 2.4 方式 4：代码中显式配置（作业级强制覆盖）
在 Spark 应用代码中，通过 `SparkSession.builder().config()` 或 `SparkConf` 直接设置 Hadoop/Hive 相关参数，适用于**作业级强制覆盖配置**（优先级最高）。
**使用示例（Scala）**：
```scala
import org.apache.spark.sql.SparkSession
object SparkHiveApp {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("SparkHiveDemo")
.enableHiveSupport()
// 显式设置Hive Metastore地址（覆盖配置文件）
.config("hive.metastore.uris", "thrift://custom-metastore:9083")
// 显式设置HDFS默认地址（覆盖core-site.xml）
.config("fs.defaultFS", "hdfs://custom-namenode:8020")
.getOrCreate()
// 业务逻辑
spark.sql("SELECT * FROM test_db.test_table").show()
spark.stop()
}
}
```
**特点**：
- 优先级最高，直接覆盖所有配置文件的对应参数
- 配置与代码绑定，适合作业专属配置
### 2.5 方式 5：命令行 `--conf` 参数（提交时临时覆盖）
通过 `spark-submit` 的 `--conf` 选项，在提交作业时临时指定 Hadoop/Hive 配置，适用于**单次作业临时调整配置**，无需修改代码或配置文件。
**使用示例**：
```bash
spark-submit \
--conf hive.metastore.uris=thrift://custom-metastore:9083 \ # 临时覆盖Metastore地址
--conf fs.defaultFS=hdfs://custom-namenode:8020 \ # 临时覆盖HDFS地址
--class com.example.SparkHiveApp \
./spark-hive-app.jar
```
**特点**：
- 仅对当前提交的作业生效，灵活性高
- 适合快速测试不同配置参数的效果
### 2.6 方式 6：Spark 配置文件（`spark-defaults.conf`）
在 Spark 安装目录的 `conf/spark-defaults.conf` 中，通过 `spark.hadoop.` 前缀配置 Hadoop/Hive 参数，适用于**Spark 专属的全局配置**。
**使用示例**：
```properties
# $SPARK_HOME/conf/spark-defaults.conf
spark.hadoop.hive.metastore.uris thrift://custom-metastore:9083 # Hive Metastore地址
spark.hadoop.fs.defaultFS hdfs://custom-namenode:8020 # HDFS默认地址
spark.hadoop.yarn.resourcemanager.address yarn-rm:8032 # YARN ResourceManager地址
```
**特点**：
- 配置对所有 Spark 作业生效，属于 Spark 层的全局配置
- 需添加 `spark.hadoop.` 前缀，Spark 会自动传递给 Hadoop 配置系统
## 3. Hadoop/Hive 配置文件的优先级顺序
Spark 加载 Hadoop/Hive 配置时，遵循**高优先级覆盖低优先级**的规则，具体优先级从高到低如下：
| 优先级排序 | 配置方式 | 说明 |
|------------|------------------------------|----------------------------------------------------------------------|
| 1 | 代码中显式配置 | 通过 `SparkSession.config()` 或 `SparkConf` 设置的参数，优先级最高 |
| 2 | 命令行 `--conf` 参数 | `spark-submit` 时通过 `--conf` 指定的参数，覆盖配置文件 |
| 3 | `--files` 分发的配置文件 | 通过 `--files` 分发的 `hive-site.xml` 等，仅对当前作业生效 |
| 4 | `spark-defaults.conf` | Spark 配置文件中带 `spark.hadoop.` 前缀的参数 |
| 5 | `HADOOP_CONF_DIR` 目录配置 | 环境变量指定目录下的 `hive-site.xml`、`core-site.xml` 等 |
| 6 | Spark 安装目录 `conf` 目录 | `$SPARK_HOME/conf` 下的 Hadoop/Hive 配置文件 |
| 7 | Hadoop 安装目录 `conf` 目录 | `$HADOOP_HOME/conf` 下的默认配置文件，优先级最低 |
| 8 | Hadoop/Hive 内置默认配置 | 源代码中定义的默认配置，仅在所有方式未指定时生效 |
### 3.1 优先级示例验证
假设存在以下配置场景：
1. `HADOOP_CONF_DIR` 下的 `hive-site.xml` 配置 `hive.metastore.uris=thrift://default-ms:9083`
2. 提交作业时通过 `--files /custom/hive-site.xml` 分发，文件中配置 `hive.metastore.uris=thrift://file-ms:9083`
3. 提交作业时通过 `--conf hive.metastore.uris=thrift://cmd-ms:9083` 指定
**最终生效的配置**：`thrift://cmd-ms:9083`（遵循优先级 2 > 3 > 5）
## 4. 注意事项
1. **集群模式配置同步**：在 YARN/K8s 集群模式下，`--files` 分发的配置文件会自动同步到所有 Executor，但需确保 Driver 节点也能访问该文件（本地路径或共享存储路径）。
2. **配置参数冲突**：若不同方式配置了同一参数，以高优先级为准；若未配置，则使用低优先级或内置默认值。
3. **`enableHiveSupport()` 依赖**：若 Spark 应用需集成 Hive（如访问 Hive 表），必须在创建 `SparkSession` 时调用 `.enableHiveSupport()`，否则 `hive-site.xml` 配置不生效。
4. **路径一致性**：通过 `HADOOP_CONF_DIR` 或默认目录指定配置时，需确保所有节点的配置文件路径一致（建议使用共享存储如 HDFS 存储配置文件）。
## 5. 常见场景配置方案
| 场景 | 推荐配置方式 | 优势 |
|--------------------------|----------------------------------|----------------------------------------------------------------------|
| 作业专属配置（临时） | `--files` 分发 + 命令行 `--conf` | 不影响全局配置，灵活性高 |
| 集群全局固定配置 | `HADOOP_CONF_DIR` + 默认目录 | 所有作业统一生效，减少重复配置 |
| 代码绑定配置（强制） | 代码中显式配置 | 配置与代码绑定，避免环境依赖问题 |
| Spark 专属全局配置 | `spark-defaults.conf` | 仅对 Spark 作业生效，与 Hadoop 配置解耦 |