Spark 作业提交

Spark 作业提交

一、作业打包jar

1、工程目录结构

2、不同运行模式的打包方式

 Local模式与Yarn模式不同就在于：Local模式运行时jar包仅在本地存在，而Yarn模式需要在每台从机的环境上都要相同的jar包，因此在Yarn 模式打jar包时，需要将pom.xml中依赖的 所有jar包一起打进去。

  （1） Local 模式对maven 工程进行编译为jar 文件

             mvn clean package -DskipTests

    【题外话：安装自定义jar包到自己的maven仓库

            mvn install:install-file -Dfile=/www/lib/ipdatabase-master/target/ ipdatabase-1.0-SNAPSHOT.jar -DgroupId=com.ggstar -DartifactId=ipdatabase -Dversion=1.0 -Dpackaging=jar

       】

    打包成功后，会在ImoocSparkSQLProject/target 文件下生成一个 jar 文件,如pom.xml 中配置为 ，则生成sql-1.0.jar 

  （2） Yarn模式对maven 工程进行编译为jar 文件

           a.打包时要注意，pom.xml中需要添加如下plugin,目的就是将pom.xml所依赖的包一起打进去。

          b. 该方式打包时，可以对环境上已经存在的jar 禁止打进去， 确保 Spark 不与应用依赖的其他工件打包在一起。 在依赖下添加 <scope>provided</scope> ，如图

                            

    

<plugin>                <artifactId>maven-assembly-plugin</artifactId>                     <configuration>                         <archive>                             <manifest>                                  <mainClass></mainClass>                             </manifest>                         </archive>                         <descriptorRefs>                             <descriptorRef>jar-with-dependencies</descriptorRef>                         </descriptorRefs>                     </configuration>           </plugin> 或者 <!-- 用来创建超级JAR包的Maven shade插件 --> <plugin>       <groupId>org.apache.maven.plugins</groupId>       <artifactId>maven-shade-plugin</artifactId>       <version>2.3</version>       <executions>              <execution>                    <phase>package</phase>                     <goals>                          <goal>shade</goal>                     </goals>              </execution>       </executions> </plugin>

运行maven 命令：    mvn assembly:assembly

     打包成功后，会在ImoocSparkSQLProject/target 文件下生成一个 jar 文件,如pom.xml 中配置为 ，则生成sql-1.0-jar-with-dependencies.jar 

4、作业提交有多种运行模式，以下是各种模式的提交方式。

5、依赖冲突解决办法：当用户应用与 Spark 本身依赖同一个库时可能会发生依赖冲突，导致程序崩溃。这种情况不是很常见，但是出现的时候也让人很头疼。通常，依赖冲突表现为 Spark 作业执行过程中抛出 NoSuchMethodError 、 ClassNotFoundException ，或其他与类加载相关的 JVM 异常。对于这种问题，主要有两种解决方式：一是修改你的应用，使其使用的依赖库的版本与 Spark 所使用的相同，二是使用通常被称为“shading”的方式打包你的应用。Maven 构建工具通过对例 7-5 中使用的插件（事实上，shading 的功能也是这个插件取名为 maven-shade-plugin 的原因）进行高级配置来支持这种打包方式。shading 可以让你以另一个命名空间保留冲突的包，并自动重写应用的代码使得它们使用重命名后的版本。这种技术有些简单粗暴，不过对于解决运行时依赖冲突的问题非常有效。

二、选择Spark 运行模式提交

在Spark中，支持4种运行模式：

    1）Local：开发时使用

    2）Standalone： 是Spark自带的，如果一个集群是Standalone的话，那么就需要在多台机器上同时部署Spark环境

    3）YARN：建议大家在生产上使用该模式，统一使用YARN进行整个集群作业(MR、Spark)的资源调度

    4）Mesos

不管使用什么模式，Spark应用程序的代码是一模一样的，只需要在提交的时候通过--master参数来指定我们的运行模式即可

1、Local模式下

提交Spark Application到环境中运行。如果要写入数据库数据则需要加上  --jars 1、该模式操作路径在本地的数据 spark-submit  \ --name SparkSessionApp \ --class com.imooc.spark.SparkSessionApp \ --jars /www/lib/mysql-connector-java-5.1.25.jar  \    --master local[2]  \ /www/lib/sql-1.0.jar  \ /www/instl/spark/spark-2.1.0-bin-2.6.0-cdh5.7.0/examples/src/main/resources/people.json 2、该模式操作路径在hdfs上的数据 spark-submit  \ --name SparkSessionApp \ --class com.imooc.spark.SparkSessionApp \ --jars /www/lib/mysql-connector-java-5.1.25.jar  \    --master local[2]  \ /www/lib/sql-1.0.jar  \ hdfs://hadoop001:8020/inputfile/ people.json

2、YARN模式

    如果想运行在YARN之上， ResourceManager的地址从Hadoop配置中获取。因此必须要设置HADOOP_CONF_DIR或者是YARN_CONF_DIR。即为spark配置上hadoop路径下直 到/etc/hadoop 的路径

  

   方式 1：直接导出方式   export HADOOP_CONF_DIR=/www/instl/hadoop/hadoop-2.6.0-cdh5.9.3/etc/hadoop

   方式2：在 $SPARK_HOME/conf/spark-env.sh 中配置上hadoop路径下直 到/etc/hadoop 的路径

     

       HADOOP_CONF_DIR= /www/instl/hadoop/hadoop-2.6.0-cdh5.7.0/etc/hadoop

 YARN 模式运行的两种方式

 （1） Client 模式特点：(YARN默认模式)

         a. Driver运行在Client端(提交Spark作业的机器)

         b.Client会和请求到的Container进行通信来完成作业的调度和执行，Client是不能退出的

         c..日志信息会在控制台输出：便于我们测试

         d.命令如

如果要写入数据库数据则需要加上  --jars  ,如果需要引入文件，需要加上 --file 1、该模式操作路径在hdfs上的数据.(参数路径不加hdfs://hadoop001:8020 时，默认加上这路径) spark-submit \ --name SparkSessionApp \ --class com.imooc.spark.SparkSessionApp \ --jars /www/lib/mysql-connector-java-5.1.25.jar  \ --master yarn-client  \ --executor-memory 1G \ --num-executors 1 \ --conf spark.sql.shuffle.partitions=100 \ --files /www/lib/ipDatabase.csv,/home/hadoop/lib/ipRegion.xlsx \ /www/lib/sql-1.0-jar-with-dependencies.jar \ hdfs://hadoop001:8020/inputfile/access.log   hdfs://hadoop001:8020 / outputfile/clean 2、该模式操作路径在本地数据，需要加上 file:// 标识 spark-submit \ --name SparkSessionApp \ --class com.imooc.spark.SparkSessionApp \ --jars /www/lib/mysql-connector-java-5.1.25.jar  \ --master yarn- client  \ --executor-memory 1G \ --num-executors 1 \ --conf spark.sql.shuffle.partitions=100 \ --files /www/lib/ipDatabase.csv,/www/lib/ipRegion.xlsx \ /www/lib/sql-1.0-jar-with-dependencies.jar \ file:///www/data/outputfile/access.log   file:///www/data/outputfile/clean 3、不参与操作路径资源 spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn- client  \ --executor-memory 1G \ --num-executors 1 \ /www/instl/spark/spark-2.1.0-bin-2.6.0-cdh5.7.0/examples/jars/spark-examples_2.11-2.1.0.jar \ 4

（2） Cluster模式特点：

          a.Driver运行在ApplicationMaster中

          b.Client只要提交完作业之后就可以关掉，因为作业已经在YARN上运行了

          c.日志是在终端看不到的，因为日志是在Driver上，只能通过yarn logs -applicationId application_id （命令: yarn logs -applicationId application_1495632775836_0002  需要开通日志聚合功能服务）

                      也可以在界面上查看结果：

          d.命令如：（仅 master 后模式进行改变）

如果要写入数据库数据则需要加上  --jars  ,如果需要引入文件，需要加上 --file 1、该模式操作路径在hdfs上的数据(参数路径不加 hdfs://hadoop001:8020 时，默认加上这路径) spark-submit \ --name SparkSessionApp \ --class com.imooc.spark.SparkSessionApp \ --jars /www/lib/mysql-connector-java-5.1.25.jar  \ --master yarn-cluster  \ --executor-memory 1G \ --num-executors 1 \ --conf spark.sql.shuffle.partitions=100 \ --files /www/lib/ipDatabase.csv,/www/lib/ipRegion.xlsx \ /www/lib/sql-1.0-jar-with-dependencies.jar \ hdfs://hadoop001:8020/inputfile/access.log   hdfs://hadoop001:8020 / outputfile/clean 2、该模式操作路径在本地数据，需要加上 file:// 标识 spark-submit \ --name SparkSessionApp \ --class com.imooc.spark.SparkSessionApp \ --jars /www/lib/mysql-connector-java-5.1.25.jar  \ --master yarn- cluster  \ --executor-memory 1G \ --num-executors 1 \ --conf spark.sql.shuffle.partitions=100 \ --files /www/lib/ipDatabase.csv,/home/hadoop/lib/ipRegion.xlsx \ /www/lib/sql-1.0-jar-with-dependencies.jar \ file:///www/data/outputfile/access.log   file:///www/data/outputfile/clean 3、不参与操作路径资源 spark-submit \ --class org.apache.spark.examples.SparkPi  \ --master yarn- cluster  \ --executor-memory 1G \ --num-executors 1 \ --conf spark.sql.shuffle.partitions=100 \ /www/instl/spark/spark-2.1.0-bin-2.6.0-cdh5.7.0/examples/jars/spark-examples_2.11-2.1.0.jar \ 4

三 优化、调整并行度

./bin/spark-submit \ --class com.imooc.log.TopNStatJobYARN \ --name TopNStatJobYARN \ --master yarn \ --executor-memory 1G \ --num-executors 1 \ --conf spark.sql.shuffle.partitions=100 \ /home/hadoop/lib/sql-1.0-jar-with-dependencies.jar \ hdfs://hadoop001:8020/imooc/clean   20170511

注意：不同模式参数路径读取路径位置 【 在不同的启动模式下，加载文件时的 参数 路径 写法是不一样的，对于local模式下，默认就是读取本地文件，而在standlone或者yarn-client,或者 yarn- cluster模式下，默认读的都是hdfs文件系统】， 这几种模式下很难读取本地文件（这是很显然的事情，但你可以通过指定节点的文件服务曲线救国）。 下面的代码在local模式下有效，在其它模式下无效： var theP1 = sc.textFile("file:///usr/test/people.json")  //读取本地 var theP2 = sc.textFile(" hdfs://master.hadoop/user/root/test/test/people.json ") //读取hdfs文件 下面的代码在非local模式下，都是读取的hdfs,file://模式无效. var theP1 = sc.textFile("/usr/test/people.json")   var theP2 = sc.textFile("/user/root/test/test/people.json") 下面这个语句在几种模式下都有效 var theP2 = sc.textFile(" hdfs://master.hadoop/user/root/test/test/people.json ") //读取hdfs文件 在非local模式下等同于 var theP2 = sc.textFile("/user/root/test/test/people.json")

报错：

Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/spark/streaming/kafka/KafkaUtils$     at com.imooc.spark.project.spark.ImoocStatStreamingApp$.main(ImoocStatStreamingApp.scala:31)     at com.imooc.spark.project.spark.ImoocStatStreamingApp.main(ImoocStatStreamingApp.scala)     at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)     at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)     at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)     at java.lang.reflect.Method.invoke(Method.java:498)     at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:755)     at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:180)     at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:205)     at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:119)     at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala) Caused by: java.lang.ClassNotFoundException: org.apache.spark.streaming.kafka.KafkaUtils$     at java.net.URLClassLoader.findClass(URLClassLoader.java:381 )     at java.lang.ClassLoader.loadClass(ClassLoader.java:424)     at java.lang.ClassLoader.loadClass(ClassLoader.java:357)     ... 11 more

修正:把maven中以依赖的org.apache.spark:spark-streaming-kafka-0-8_2.11:2.2.0注释，以package 进行操作

spark-submit --master local[5] \ --class com.imooc.spark.project.spark.ImoocStatStreamingApp \ --packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.2.0 \ /home/hadoop/lib/sparktrain-1.0.jar \ hadoop000:2181 test streamingtopic 1

报错2

java.lang.NoClassDefFoundError: org/apache/hadoop/hbase/client/HBaseAdmin     at com.imooc.spark.project.utils.HBaseUtils.<init>(HBaseUtils.java:30)     at com.imooc.spark.project.utils.HBaseUtils.getInstance(HBaseUtils.java:40)     at com.imooc.spark.project.dao.CourseClickCountDAO$.save(CourseClickCountDAO.scala:26)     at com.imooc.spark.project.spark.ImoocStatStreamingApp$$anonfun$main$4$$anonfun$apply$1.a

将Hbase的包全部引入

spark-submit --master local[5] \ --jars $(echo /home/hadoop/app/hbase-1.2.0-cdh5.7.0/lib/*.jar | tr ' ' ',') \ --class com.imooc.spark.project.spark.ImoocStatStreamingApp \ --packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.2.0 \ /home/hadoop/lib/sparktrain-1.0.jar \ hadoop000:2181 test streamingtopic 1