原文地址：http://spark.apache.org/docs/latest/running-on-yarn.html

Spark从0.6.0版本开始对YARN提供支持，并在后续版本中持续改进。

准备

Spark-on-YARN需要二进制版本的Spark，可以在官网上下载。同样也可以自己编译，参考building with Maven guide。

配置

Spark on YARN的大多数参数配置与其它部署模式相同，详细参考configuration page。Spark on YARN的特殊参数如下：

环境变量

SPARK_YARN_USER_ENV：为运行在YARN上的Spark进程添加环境变量。可以是一个以逗号分隔的list，例如：SPARK_YARN_USER_ENV="JAVA_HOME=/jdk64,FOO=bar"。

Spark属性

属性名	默认值	含义
spark.yarn.applicationMaster.waitTries	10	设置ApplicationMaster等待Spark master的次数，同时也是等待SparkContext初始化的次数
spark.yarn.submit.file.replication	3	应用程序在HDFS上的备份数，包括Spark jar、app jar和分布式缓存文件等
spark.yarn.preserve.staging.files	false	若为true，Spark jar、app jar和分布式缓存文件等会在job结束后删除
spark.yarn.scheduler.heartbeat.interval-ms	5000	Spark application master 和YARN ResourceManager间的心跳检测（单位：ms）
spark.yarn.max.executor.failures	2*numExecutors	执行失败次数超过此值则Spark application执行失败
spark.yarn.historyServer.address	(none)	Spark history server的地址，如：host.com:18080(不可包括http://)。默认是关闭的，Spark history server是可选的服务。
spark.yarn.executor.memoryOverhead	384	每个executor的堆大小(MB)
spark.yarn.driver.memoryOverhead	384	每个driver的堆大小(MB)

默认情况下，Spark on YARN将使用本地的Spark jar，但Spark jar也能放在HDFS上。这样YARN就能将jar缓存在每个节点上，避免了每次运行应用时重新分发jar。将Jar放在HDFS可用命令：export SPARK_JAR=hdfs:///some/path。

启动Spark on YARN

确保HADOOP_CONF_DIR或YARN_CONF_DIR指向的路径含有(client side)hadoop集群的配置文件。这些配置文用于写HDFS和连接YARN ResourceManager。有两种部署模式可以在YARN上启动Spark应用：yarn-cluster模式下，driver运行在application master进程下，而application master由YARN来管理，client将在application初始化后关闭；yarn-client模式下，driver运行在client进程下，application master仅仅用来向YARN申请资源。

Spark standalone和Mesos模式中master地址由master参数指出，YARN模式与他们不同，YARN模式下ResourceManager的地址由hadoop配置文件中获取。因此master参数简单的为“yarn-client”或“yarn-cluster”。

YARN模式下启动Spark应用：

例如：

上述命令启动了一个YARN client程序，该程序又启动了一个默认的Application Master。接着SparkPi将会以Application Master的子线程形式运行。client将会周期性的更新Application Master的状态并将之显示在控制台。当application运行完毕client将退出。参考下面的“Viewing Logs”章节来学习如何查看driver和executor的log日志。

以yarn-client模式启动Spark application，只需将“yarn-cluster”替换为“yarn-client”。Spark shell如下：

添加其它Jar包

在yarn-cluster模式下，driver运行在不同的机器上，所以client本地的文件对于SparkContext.addJar将是不可获取的。可以通过--jars选项来让SparkContext.addJar获取到这些文件：

调试程序

在YARN的术语里，executor和application master在“容器”里运行。当应用结束时YARN有两种处理容器log日志的模式。如果log聚合打开（通过yarn.log-aggregation-enable配置），容器log日志将从本地机器拷贝到HDFS上。这些日志可以从集群的任何地方进行查看，相应的命令为：

该命令将会打印出appID对应的应用的所有容器log日志。

当log聚合关闭时，log日志将保留在每台机器的本地路径下（由YARN_APP_LOGS_DIR参数指定），通常是/tmp/logs或$HADOOP_HOME/logs/userlogs，具体的路径根据不同的hadoop版本和安装会有区别。查看某容器日志必须登录到其所在的机器的对应目录才可查看。子文件夹的名称以应用ID和容器ID来命名，并存放其对于的log日志。

若需要检查每个容器的启动环境，将yarn.nodemanager.delete.debug-delay-sec的值设成一个较大的值（如36000），这样就可以在容器启动的机器上通过访问yarn.nodemanager.local-dirs对于的目录来达到访问应用缓存的目的。该目录含有每个容器的启动脚本，jar和环境变量。这个过程对于调试特别是classpath问题十分有帮助。（值得一提的是该功能需要集群的管理员权限，并需要重启集群来生效配置。所以对于托管型的集群是不适用的）。