Spark 除了运行在 Mesos 或者 YARN 上以外，Spark 还提供了一个简单的 standalone 部署模式。您可以手动启动 master 和 worker 来启动 standalone 集群，或者使用我们提供的 launch scripts 脚本。可以为了测试而在单个机器上运行这些进程。
安装 Spark Standalone 集群，您只需要将编译好的版本部署在集群中的每个节点上。您可以获取 Spark 的每个版本的预编译版本或者自己编译 build it yourself.
您可以启动一个 standalone master server 通过执行下面的代码：
./sbin/start-master.sh
一旦启动，master 将会为自己打印出一个 spark://HOST:PORT URL，您可以使用它来连接 workers，或者像传递 “master” 参数一样传递到 SparkContext 。您在 master 的web UI 上也会找到这个 URL ，默认情况下是 http://localhost:8080 。
类似地，您可以启动一个或多个 workers 并且通过下面的代码连接到 master ：
./sbin/start-slave.sh <master-spark-URL>
在您启动一个 worker 之后，就可以通过 master 的 web UI ( 默认情况下是 http://localhost:8080)查看到了。您可以看到列出的新的 node （节点），以及其 CPU 的数量和数量（为操作系统留下了 1 GB 的空间）。
最后，下面的配置选项可以传递给 master 和 worker ：
| Argument（参数） | Meaning（含义） |
|---|---|
-h HOST, --host HOST |
监听的 Hostname |
-i HOST, --ip HOST |
监听的 Hostname （已弃用, 请使用 -h or --host） |
-p PORT, --port PORT |
监听的服务 Port （端口） （默认: master 是 7077 ， worker 是随机的） |
--webui-port PORT |
web UI 的端口（默认: master 是 8080 ， worker 是 8081） |
-c CORES, --cores CORES |
Spark 应用程序在机器上可以使用的全部的 CPU 核数（默认是全部可用的）；这个选项仅在 worker 上可用 |
-m MEM, --memory MEM |
Spark 应用程序可以使用的内存数量，格式像 1000M 或者 2G（默认情况是您的机器内存数减去 1 GB）；这个选项仅在 worker 上可用 |
-d DIR, --work-dir DIR |
用于 scratch space （暂存空间）和作业输出日志的目录（默认是：SPARK_HOME/work）；这个选项仅在 worker 上可用 |
--properties-file FILE |
自定义的 Spark 配置文件加载目录（默认：conf/spark-defaults.conf） |
要使用启动脚本启动 Spark standalone 集群，你应该首先在 Spark 目录下创建一个叫做 conf/slaves 的文件，这个文件中必须包含所有你想要启动的 Spark workers 的机器的 hostname ，每个 hostname 占一行。 如果 conf/slaves 不存在，启动脚本默认启动单个机器（localhost），这对于测试是有效的。 注意， master 机器通过 ssh 访问所有的 worker 机器。默认情况下，ssh 是 parallel （并行）运行的并且需要配置无密码（使用一个私钥）的访问。 如果您没有设置无密码访问，您可以设置环境变量 SPARK_SSH_FOREGROUND 并且为每个 worker 提供一个密码。
一旦您创建了这个文件，您就可以启动或者停止您的集群使用下面的 shell 脚本，基于 Hadoop 的部署脚本，并在 SPARK_HOME/sbin 中可用：
sbin/start-master.sh - 在执行的机器上启动一个 master 实例。sbin/start-slaves.sh - 在 conf/slaves 文件中指定的每个机器上启动一个 slave 实例。sbin/start-slave.sh - 在执行的机器上启动一个 slave 实例。sbin/start-all.sh - 启动一个 master 和上面说到的一定数量 slaves 。sbin/stop-master.sh - 停止通过 sbin/start-master.sh 脚本启动的 master。sbin/stop-slaves.sh - 停止在 conf/slaves 文件中指定的所有机器上的 slave 实例。sbin/stop-all.sh - 停止 master 和上边说到的 slaves 。注意，这些脚本必须在您想要运行 Spark master 的机器上执行，而不是您本地的机器。
您可以通过在 conf/spark-env.sh 中设置环境变量来进一步配置集群。利用 conf/spark-env.sh.template 文件来创建这个文件，然后将它复制到所有的 worker 机器上使设置有效。下面的设置是可用的：
| Environment Variable （环境变量） | Meaning（含义） |
|---|---|
SPARK_MASTER_HOST |
绑定 master 到一个指定的 hostname 或者 IP 地址，例如一个 public hostname 或者 IP 。 |
SPARK_MASTER_PORT |
在不同的端口上启动 master （默认：7077） |
SPARK_MASTER_WEBUI_PORT |
master 的 web UI 的端口（默认：8080） |
SPARK_MASTER_OPTS |
仅应用到 master 上的配置属性，格式是 "-Dx=y" （默认是：none）。查看下面的列表可能选项。 |
SPARK_LOCAL_DIRS |
Spark 中 "scratch" space（暂存空间）的目录，包括 map 的输出文件和存储在磁盘上的 RDDs 。这必须在您的系统中的一个快速的，本地的磁盘上。这也可以是逗号分隔的不同磁盘上的多个目录的列表。 |
SPARK_WORKER_CORES |
机器上 Spark 应用程序可以使用的全部的 cores（核）的数量。（默认：全部的核可用） |
SPARK_WORKER_MEMORY |
机器上 Spark 应用程序可以使用的全部的内存数量，例如 1000m， 2g（默认：全部的内存减去 1 GB）；注意每个应用程序的_individual（独立）_内存是使用 spark.executor.memory 属性进行配置的。 |
SPARK_WORKER_PORT |
在一个指定的 port （端口）上启动 Spark worker （默认： random（随机）） |
SPARK_WORKER_WEBUI_PORT |
worker 的 web UI 的 Port （端口）（默认：8081） |
SPARK_WORKER_DIR |
运行应用程序的目录，这个目录中包含日志和暂存空间（default: SPARK_HOME/work） |
SPARK_WORKER_OPTS |
仅应用到 worker 的配置属性，格式是 "-Dx=y" （默认：none）。查看下面的列表的可能选项。 |
SPARK_DAEMON_MEMORY |
分配给 Spark master 和 worker 守护进程的内存。（默认： 1g） |
SPARK_DAEMON_JAVA_OPTS |
Spark master 和 worker 守护进程的 JVM 选项，格式是 "-Dx=y" （默认：none） |
SPARK_PUBLIC_DNS |
Spark master 和 worker 的公开 DNS 名称。（默认：none） |
注意： 启动脚本现在还不支持 Windows 。要在 Windows 上运行一个 Spark 集群，需要手动启动 master 和 workers 。
SPARK_MASTER_OPTS 支持以下系统属性:
| Property Name（属性名称） | Default（默认） | Meaning（含义） |
|---|---|---|
spark.deploy.retainedApplications |
200 | 展示的已完成的应用程序的最大数量。旧的应用程序将会从 UI 中被删除以满足限制。 |
spark.deploy.retainedDrivers |
200 | 展示已完成的 drivers 的最大数量。老的 driver 会从 UI 删除掉以满足限制。 |
spark.deploy.spreadOut |
true | 这个选项控制 standalone 集群 manager 是应该跨界店 spread （传播）应用程序还是应该努力将应用程序整合到尽可能少的节点上。在 HDFS 中， Spreading 是数据本地化的更好的选择，但是对于计算密集型的负载，整合会更有效率。 |
spark.deploy.defaultCores |
(infinite) | 如果没有设置 spark.cores.max ，在 Spark 的 standalone 模式下默认分配给应用程序的 cores （核）数。如果没有设置，应用程序将总是获得所有的可用核，除非设置了 spark.cores.max 。在共享集群中设置较低的核数,可用于防止用户 grabbing （抓取）整个集群。 |
spark.deploy.maxExecutorRetries |
10 | 限制在 standalone 集群 manager 删除一个不正确地应用程序之前可能发生的 back-to-back 执行器失败的最大次数。如果一个应用程序有任何正在运行的执行器，则它永远不会被删除。如果一个应用程序经历过超过 spark.deploy.maxExecutorRetries 次的连续失败，没有执行器成功开始运行在这些失败之间，并且应用程序没有运行着的执行器，然后 standalone 集群 manager 将会移除这个应用程序并将它标记为失败。要禁用这个自动删除功能，设置spark.deploy.maxExecutorRetries 为 -1 。 |
spark.worker.timeout |
60 | standalone 部署模式下 master 如果没有接收到心跳，认为一个 worker 丢失的间隔时间，秒数。 |
SPARK_WORKER_OPTS 支持以下的系统属性：
| Property Name | Default | Meaning |
|---|---|---|
spark.worker.cleanup.enabled |
false | 激活周期性清空 worker / application 目录。注意，这只影响 standalone 模式，因为 YARN 工作方式不同。只有已停止的应用程序的目录会被清空。 |
spark.worker.cleanup.interval |
1800 (30 minutes) | 在本地机器上，worker 控制清空老的应用程序的工作目录的时间间隔，以秒计数。 |
spark.worker.cleanup.appDataTtl |
604800 (7 days, 7 * 24 * 3600) | 每个 worker 中应用程序工作目录的保留时间。这是一个 Live 时间，并且应该取决于您拥有的可用的磁盘空间量。应用程序的日志和 jars 都会被下载到应用程序的工作目录。随着时间的推移，这个工作目录会很快填满磁盘空间，特别是如果您经常运行作业。 |
spark.worker.ui.compressedLogFileLengthCacheSize |
100 | 对于压缩日志文件，只能通过未压缩文件来计算未压缩文件。 Spark 缓存未压缩日志文件的未压缩文件大小。此属性控制缓存的大小。 |
要在 Spark 集群中运行一个应用程序，只需要简单地将 master 的 spark://IP:PORT URL 传递到 SparkContext constructor 。
要针对集群运行交互式 Spark shell ，运行下面的命令：
./bin/spark-shell --master spark://IP:PORT
您还可以传递一个选项 --total-executor-cores <numCores> 来控制 spark-shell 在集群上使用的 cores （核）数。
spark-submit 脚本 提供了最简单的方法将一个编译好的 Spark 应用程序提交到集群中。对于 standalone 集群，Spark 目前支持两种部署模式。在 client 模式下，driver 在与 client 提交应用程序相同的进程中启动。在 cluster 模式下，driver 是集群中的某个 Worker 中的进程中启动，并且 client 进程将会在完成提交应用程序的任务之后退出，而不需要等待应用程序完成再退出。
如果您的应用程序是通过 Spark 提交来启动的，则应用程序的 jar 将自动启动分发给所有的 worker 节点。对于您的应用程序依赖的其他的 jar ，您应该通过 --jars 标志使用逗号作为分隔符（例如 --jars jar1,jar2）来指定它们。 要控制应用程序的配置或执行环境，请参阅 Spark Configuration 。
另外，standalone cluster 模式支持自动重新启动应用程序如果它是以非零的退出码退出的。要使用此功能，您可以在启动您的应用程序的时候将 --supervise 标志传入 spark-submit 。然后，如果您想杀死一个重复失败的应用程序，您可以使用如下方式：
./bin/spark-class org.apache.spark.deploy.Client kill <master url> <driver ID>
您可以查看 driver ID 通过 standalone Master web UI 在 http://<master url>:8080 。
standalone 集群模式当前只支持一个简单的跨应用程序的 FIFO 调度。 然而，为了允许多个并发的用户，您可以控制每个应用程序能用的最大资源数。 默认情况下，它将获取集群中的 all cores （核），这只有在某一时刻只允许一个应用程序运行时才有意义。您可以通过 spark.cores.max 在 SparkConf 中设置 cores （核）的数量。例如：
val conf = new SparkConf()
.setMaster(...)
.setAppName(...)
.set("spark.cores.max", "10")
val sc = new SparkContext(conf)
此外，您可以在集群的 master 进程中配置 spark.deploy.defaultCores 来修改默认为没有将 spark.cores.max 设置为小于无穷大的应用程序。 通过添加下面的命令到 conf/spark-env.sh 执行以上的操作：
export SPARK_MASTER_OPTS="-Dspark.deploy.defaultCores=<value>"
这在用户没有配置最大独立核数的共享的集群中是有用的。
Spark 的 standalone 模式提供了一个基于 web 的用户接口来监控集群。master 和每个 worker 都有它自己的显示集群和作业信息的 web UI 。 默认情况下，您可以通过 master 的 8080 端口来访问 web UI 。这个端口可以通过配置文件修改或者通过命令行选项修改。
此外，对于每个作业的详细日志输出也会写入到每个 slave 节点的工作目录中。（默认是 SPARK_HOME/work）。你会看到每个作业的两个文件，分别是 stdout 和 stderr ，其中所有输出都写入其控制台。
您可以运行 Spark 集成到您现有的 Hadoop 集群，只需在同一台机器上将其作为单独的服务启动。要从 Spark 访问 Hadoop 的数据，只需要使用 hdfs:// URL (通常为 hdfs://<namenode>:9000/path, 但是您可以在您的 Hadoop Namenode 的 web UI 中找到正确的 URL 。) 或者，您可以为 Spark 设置一个单独的集群，并且仍然可以通过网络访问 HDFS ；这将比磁盘本地访问速度慢，但是如果您仍然在同一个局域网中运行（例如，您将 Hadoop 上的每个机架放置几台 Spark 机器），可能不会引起关注。
Spark 对网络的需求比较高，并且一些环境对于使用严格的防火墙设置有严格的要求，请查看 security page 。
默认情况下， standalone 调度集群对于 Worker 的失败（对于 Spark 本身可以通过将其移动到其他 worker 来说是失败的工作而言）是有弹性的。但是，调度程序使用 Master 进行调度决策，并且（默认情况下）汇创建一个单点故障：如果 Master 崩溃，新的应用程序将不会被创建。为了规避这一点，我们有两个高可用性方案，详细说明如下。
概述
使用 ZooKeeper 提供的 leader election （领导选举）和一些 state storage （状态存储），在连接到同一 ZooKeeper 实例的集群中启动多个 Masters 。一个节点将被选举为 “leader” 并且其他节点将会维持备用模式。如果当前的 leader 宕掉了，另一个 Master 将会被选举，恢复老的 Master 的状态，并且恢复调度。整个恢复过程（从第一个 leader 宕掉开始）应该会使用 1 到 2 分钟。注意此延迟仅仅影响调度 new 应用程序 – 在 Master 故障切换期间已经运行的应用程序不受影响。
详细了解如何开始使用 ZooKeeper 这里 。
配置
为了启用这个恢复模式，您可以在 spark-env 中设置 SPARK_DAEMON_JAVA_OPTS 通过配置 spark.deploy.recoveryMode 和相关的 spark.deploy.zookeeper.* 配置。 有关这些配置的更多信息，请参阅 配置文档 。
可能的陷阱：如果您在您的集群中有多个 Masters 但是没有正确地配置 Masters 使用 ZooKeeper ， Masters 将无法相互发现，并认为它们都是 leader 。这将不会形成一个健康的集群状态（因为所有的 Masters 将会独立调度）。
细节
在您设置了 ZooKeeper 集群之后，实现高可用性是很简单的。只需要在具有相同 ZooKeeper 配置（ZooKeeper URL 和 目录）的不同节点上启动多个 Master 进程。Masters 随时可以被添加和删除。
为了调度新的应用程序或者添加新的 Worker 到集群中，他们需要知道当前的 leader 的 IP 地址。这可以通过简单地传递一个您在一个单一的进程中传递的 Masters 的列表来完成。例如，您可以启动您的 SparkContext 指向 spark://host1:port1,host2:port2 。这将导致您的 SparkContext 尝试去注册两个 Masters – 如果 host1 宕掉，这个配置仍然是正确地，因为我们将会发现新的 leader host2 。
在 “registering with a Master （使用 Master 注册）” 与正常操作之间有一个重要的区别。当启动的时候，一个应用程序或者 Worker 需要使用当前的 lead Master 找到并且注册。一旦它成功注册，它就是 “in the system（在系统中）”了（即存储在了 ZooKeeper 中）。如果发生故障切换，新的 leader 将会联系所有值钱已经注册的应用程序和 Workers 来通知他们领导层的变化，所以他们甚至不知道新的 Master 在启动时的存在。
由于这个属性，新的 Masters 可以在任何时间创建，唯一需要担心的是，new 应用程序和 Workers 可以找到它注册，以防其成为 leader 。一旦注册了之后，您将被照顾。
概述
ZooKeeper 是生产级别的高可用性的最佳方法，但是如果您只是想要重新启动 Master 服务器，如果 Master 宕掉，FILESYSTEM 模式将会关注它。当应用程序和 Workers 注册了之后，它们具有写入提供的目录的足够的状态，以便在重新启动 Master 进程的时候可以恢复它们。
配置
为了启用此恢复模式，你可以使用以下配置在 spark-env 中设置 SPARK_DAEMON_JAVA_OPTS ：
| System property（系统属性） | Meaning（含义） |
|---|---|
spark.deploy.recoveryMode |
设置为 FILESYSTEM 以启用单节点恢复模式（默认：NONE） |
spark.deploy.recoveryDirectory |
Spark 将存储恢复状态的目录，可以从 Master 的角度访问。 |
细节