Spark on Yarn任务运行的日志收集

Spark on yarn

环境：基于CDH的大数据组件平台。

yarn服务有resource manager和node manager组成，在yarn上运行的任务，由一个ApplicationMaster和多个container组成。

Spark 运行由一个driver和多个executor组成，Spark on Yarn时，Spark的driver和executor分别运行在yarn的container中。

在Spark任务运行过程中，我们时常需要查看Spark的运行日志，来定位问题，所以我们需要知道如何查看Spark on Yarn的运行日志。

日志存放路径

nodemanager存放container日志的本地路径

<property>
  <name>yarn.nodemanager.log-dirs</name>
  <value>/yarn/container-logs/</value>
</property>

container日志在hdfs存放的路径

<property>
  <description>Where to aggregate logs</description>
<!-- hdfs路径,container日志在hdfs存放的路径-->
  <name>yarn.nodemanager.remote-app-log-dir</name>
  <value>/tmp/logs</value>
</property>

日志查看举例

driver日志与executer日志

 打开driver -> stderr的日志链接，可以看到所在yarn上的对应container日志：

打开executor -> stderr的日志链接，可以看到对应container日志：

container日志的本地路径

保留Spark stage执行历史

Spark任务完成后，查看执行历史，可能会发现无法查看history。这是由于Spark任务执行完之后，把stage相关的文件删除了。有参数可以控制任务执行完成后，stage文件依旧被保留（在spark-env.sh中设置）：

属性名	说明	默认值
spark.yarn.applicationMaster.waitTries	RM等待Spark AppMaster启动次数，也就是SparkContext初始化次数。超过这个数值，启动失败。	10
spark.yarn.submit.file.replication	应用程序上载到HDFS的文件的复制因子	3
spark.yarn.preserve.staging.files	设置为true，在job结束后，将stage相关的文件保留而不是删除。	false
spark.yarn.scheduler.heartbeat.interval-ms	Spark AppMaster发送心跳信息给YARN RM的时间间隔	5000
spark.yarn.max.executor.failures	导致应用程序宣告失败的最大executor失败数	2倍于executor数
spark.yarn.historyServer.address	Spark history server的地址（不要加http://）。这个地址会在应用程序完成后提交给YARN RM，使得将信息从RM UI连接到history server UI上。	无