【Spark实战】慕课网日志分析（四）：将数据清洗的作业提交到YARN上运行

笔记目录：
【Spark实战】慕课网日志分析（一）：数据初步清洗
【Spark实战】慕课网日志分析（二）：数据二次清洗之日志解析
【Spark实战】慕课网日志分析（三）：清理后数据的存储、统计和入库
【Spark实战】慕课网日志分析（四）：将数据清洗的作业提交到YARN上运行
【Spark实战】慕课网日志分析（五）：将数据统计和入库的作业提交到YARN上运行

---

一、通过maven打包项目

1.环境中已有模块的不需要打包
2.pom.xml要添加如下plugin

            <plugin>
                <artifactId>maven-assembly-plugin</artifactId>
                <configuration>
                    <archive>
                        <manifest>
                            <mainClass></mainClass>
                        </manifest>
                    </archive>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
            </plugin>

3.控制台打包。执行命令：mvn assembly:assembly
打包成功：

将上述jar包复制到虚拟机：

将日志文件access.log复制到hdfs：
hadoop fs -mkdir -p /imooc/input
hadoop fs -put access.log /imooc/input

---

二、使用spark-submit提交作业

/home/hadoop/app/spark-2.1.0-bin-2.6.0-cdh5.7.0/bin/spark-submit \
--class com.imooc.log.SparkStatCleanJobYARN \
--name SparkStatCleanJobYARN \
--master yarn \
--executor-memory 1G \
--num-executors 1 \
/home/hadoop/lib/sql-1.0-jar-with-dependencies.jar  \
hdfs://hadoop001:8020/imooc/input/* hdfs://hadoop001:8020/imooc/clean

网页上显示执行成功：

可以看到输出的文件结果已经保存到hdfs中：

接下来，进入spark控制台，读取数据，验证日志是否清晰正确
/home/hadoop/app/spark-2.1.0-bin-2.6.0-cdh5.7.0/bin/spark-shell --master local[2] --jars ~/software/mysql-connector-java-5.1.27-bin.jar

进入spark控制台后，执行：
spark.read.format("parquet").load("hdfs://hadoop001:8020/imooc/clean/day=20170511/part-00000-e24e8ede-4f27-4328-a8d7-f51726d2f829.snappy.parquet").show(false)

结果如下：

这里遇到了city字段全部为“未知”的错误。
原因：YARN上面缺少地址解析所需要的两个文件：

解决方案：
第一步：先将两个文件上传到YARN：

第二步：在命令中加上--files，重新使用spark-submit提交作业：

/home/hadoop/app/spark-2.1.0-bin-2.6.0-cdh5.7.0/bin/spark-submit \
--class com.imooc.log.SparkStatCleanJobYARN \
--name SparkStatCleanJobYARN \
--master yarn \
--executor-memory 1G \
--num-executors 1 \
--files /home/hadoop/lib/ipDatabase.csv,/home/hadoop/lib/ipRegion.xlsx \
/home/hadoop/lib/sql-1.0-jar-with-dependencies.jar  \
hdfs://hadoop001:8020/imooc/input/* hdfs://hadoop001:8020/imooc/clean

运行成功：

接下来，进入spark控制台，读取数据，验证日志是否清晰正确
/home/hadoop/app/spark-2.1.0-bin-2.6.0-cdh5.7.0/bin/spark-shell --master local[2] --jars ~/software/mysql-connector-java-5.1.27-bin.jar

进入spark控制台后，执行：
spark.read.format("parquet").load("hdfs://hadoop001:8020/imooc/clean/day=20170511/part-00000-248ad663-d26b-4dd0-a1b4-a207ff3d29d2.snappy.parquet").show(false)

成功得到正常的city字段：

至此，之前再本地IDEA上的数据清洗的作业，已经成功提交到YARN上运行。