Java Web提交任务到Spark Standalone集群并监控
Java Web提交任务到Spark Standalone集群并监控
1. 环境
| 软件 | 版本 | 备注 |
|---|---|---|
| IDEA | 14.1.5 | |
| JDK | 1.8 | |
| Spark | 1.6.0 | 工程maven引用 |
| Spark | cdh5.7.3-spark1.6.0 | 实际集群5.7.3-1.cdh5.7.3.p0.5 |
| Hadoop | 2.6.4 | 工程Maven引用 |
| Hadoop | 2.6.0-cdh5.7.3 | 实际集群参数 |
| Maven | 3.3 |
2. 工程下载路径
工程在GitHub上地址为： javaweb_spark_standalone_monitor
3. Spark任务提交流程
之前做过相关的工作，知道可以通过下面的方式来提交任务到Spark Standalone集群：
String[] arg0=new String[]{
"--master","spark://server2.tipdm.com:6066",
"--deploy-mode","cluster",
"--name",appName,
"--class",className,
"--executor-memory","2G",
"--total-executor-cores","10",
"--executor-cores","2",
path,
"/user/root/a.txt",
"/tmp/"+System.currentTimeMillis()
};
SparkSubmit.main(arg0);1. 这里要注意的是，这里使用的模式是cluster，而非client，也就是说driver程序也是运行在集群中的，而非提交的客户端，也就是我Win10本地。
2. 如果需要使用client提交，那么需要注意本地资源是否足够；同时因为这里使用的是cluster，所以需要确保集群资源同时可以运行一个driver以及executor（即，最少需要同时运行两个Container）
3. 其中的path，也就是打的jar包需要放到集群各个slave节点中的对应位置。比如lz集群中有node1,node2,node3 ，那么就需要把wc.jar放到这三个节点上，比如放到/tmp/wc.jar ，那么path的设置就要设置为file:/opt/wc.jar ,如果直接使用/opt/wc.jar 那么在进行参数解析的时候会被解析成file:/c:/opt/wc.jar (因为lz使用的是win10运行Tomcat），从而报jar包文件找不到的错误！
进入SparkSubmit.main源码，可以看到如下代码：
def main(args: Array[String]): Unit = {
val appArgs = new SparkSubmitArguments(args)
if (appArgs.verbose) {
// scalastyle:off println
printStream.println(appArgs)
// scalastyle:on println
}
appArgs.action match {
case SparkSubmitAction.SUBMIT => submit(appArgs)
case SparkSubmitAction.KILL => kill(appArgs)
case SparkSubmitAction.REQUEST_STATUS => requestStatus(appArgs)
}
}代码里面是通过submit来提交任务的，顺着这条线往下，则最终是通过
mainMethod.invoke 是通过反射来调用的，通过debug可以得到，这里反射调用的其实是：RestSubmissionClient 的main函数提交任务的。
所以这里可以模仿RestSubmissionClient来提交任务。程序如下：
public static String submit(String appResource,String mainClass,String ...args){
SparkConf sparkConf = new SparkConf();
// 下面的是参考任务实时提交的Debug信息编写的
sparkConf.setMaster(MASTER);
sparkConf.setAppName(APPNAME+" "+ System.currentTimeMillis());
sparkConf.set("spark.executor.cores","2");
sparkConf.set("spark.submit.deployMode","cluster");
sparkConf.set("spark.jars",appResource);
sparkConf.set("spark.executor.memory","2G");
sparkConf.set("spark.cores.max","2");
sparkConf.set("spark.driver.supervise","false");
Map<String,String> env = filterSystemEnvironment(System.getenv());
CreateSubmissionResponse response = null;
try {
response = (CreateSubmissionResponse)
RestSubmissionClient.run(appResource, mainClass, args, sparkConf, toScalaMap(env));
}catch (Exception e){
e.printStackTrace();
return null;
}
return response.submissionId();
}如果不加其中的
sparkConf.set
…
则程序运行会有问题，第一个错误就是：
java.lang.IllegalArgumentException: Invalid environment variable name: “=::”
这个错误是因为模式设置不对（没有设置cluster模式），所以在进行参数匹配的时候异常。可以看到的参数如下图所示：
这里面对应的参数，其实就是SparkSubmit提交任务所对应的值了。
4. 问题及问题解决
问题提出：
1. 最近一段时间，在想运行Spark的任务的时候为什么要提交到YARN上，而且通过实践发现，提交到YARN上程序运行比Spark Standalone运行要慢的多，所以是否能直接提交任务到Spark Standalone集群呢？
2. 提交任务到Spark Standalone集群后，如何获得任务的id，方便后面的监控呢？
3. 获得任务id后，怎么监控？
针对这三个问题，解答如下：
1. 第一个问题，应该是见仁见智的问题了，使用SparkONYARN的方式可以统一生态圈什么的；
2. 在上面的代码中已经可以提交任务，并且获取任务ID了。不过需要注意的是，通过：
response = (CreateSubmissionResponse)
RestSubmissionClient.run(appResource, mainClass, args, sparkConf, toScalaMap(env));
获取的response需要转型为CreateSubmissionResponse，才能获得submittedId，但是要访问CreateSubmissionResponse，那么需要在某些包下面才行，所以lz的SparkEngine类才会定义在org.apache.spark.deploy.rest包中。
第三：
监控，监控就更简单了，可以参考：
private def requestStatus(args: SparkSubmitArguments): Unit = {
new RestSubmissionClient(args.master)
.requestSubmissionStatus(args.submissionToRequestStatusFor)
}这里就是监控的代码了，lz参考这段代码写了个监控，详见GitHub。
后记
在提交任务到Spark Standalone的时候，lz发现driver和实际的任务是分开的，如下：
发现是driver 调用app，本来想着，driver是不是提交后，就Over了，结果发现driver会一直监控app的状态，如果app运行成功结束，那么driver状态就会返回FINISHED，如果失败，则driver状态也是ERROR。所以可以直接监控driver来监控整个任务。
使用Spark Standalone来运行Spark程序，确实比Spark On YARN快的多了！
分享，成长，快乐
脚踏实地，专注
转载请注明blog地址：http://blog.csdn.net/fansy1990