使用Intellij-idea调试Spark-Application

使用Intellij-idea调试Spark-Application

---

这里的spark application是指需要被submit到spark集群计算环境上运行的job，也就是一个jar包，它虽然有main方法，但是肯定不能以直接在IDEA中右键main函数所在类然后选择debug的方式来调试。因为它不是一个独立的可运行的程序，而是运行云spark集群环境之上，是由另外一个JVM来调用的。就如同调试web程序，把web程序部署在tomcat上后，需要以debug的方式启动tomcat才能调试web程序。因此调试Spark Job的关键就是要以debug的方式启动spark Job将要跑的JVM。

启动一个JVM当然是要有一个主类，使用java命令启动，所以需要找到spark启动的java命令。阅读下spark的bin目录下的各个脚本，可以知道，不管是启动master，还是worker，或者是submit一个job，都是最终会落脚到spark-class脚本的最后1行：

    exec "${CMD[@]}"

shell变量${CMD[@]}就是最终启动JVM进程的java命令，可以在运行之前把它打印出来：

    echo "${CMD[@]}"

修改之后，以local模式提交一个job：

/bin/spark-submit \
  --class "App" \
  --master local[*] \
  target/spark-1.0-SNAPSHOT.jar

打印出的命令命令类似于：

/home/zoukang/it/java/jdk1.8.0_77/bin/java -cp /home/zoukang/it/spark/spark-home/conf/:/home/zoukang/it/spark/spark-home/lib/spark-assembly-1.6.2-hadoop2.2.0.jar:/home/zoukang/it/hadoop/hadoop-home/etc/hadoop/:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/common/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/common/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/hdfs/:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/hdfs/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/hdfs/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/yarn/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/yarn/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/mapreduce/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/mapreduce/*:/home/zoukang/it/hadoop/hadoop-home/contrib/capacity-scheduler/*.jar -Xms1g -Xmx1g org.apache.spark.deploy.SparkSubmit --master local[*] --class com.tmzk.App spark-apps/spark-1.0-SNAPSHOT.jar

可以看出，实际就是运行一个java命令，调试的话我们需要在启动的时候增加调试选项。

    -agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=20000

(使用20000端口，可以指定其他的端口)

修改后的命令就是：

/home/zoukang/it/java/jdk1.8.0_77/bin/java -agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=20000 -cp /home/zoukang/it/spark/spark-home/conf/:/home/zoukang/it/spark/spark-home/lib/spark-assembly-1.6.2-hadoop2.2.0.jar:/home/zoukang/it/hadoop/hadoop-home/etc/hadoop/:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/common/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/common/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/hdfs/:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/hdfs/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/hdfs/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/yarn/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/yarn/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/mapreduce/lib/*:/home/zoukang/it/hadoop/hadoop-home/share/hadoop/mapreduce/*:/home/zoukang/it/hadoop/hadoop-home/contrib/capacity-scheduler/*.jar -Xms1g -Xmx1g org.apache.spark.deploy.SparkSubmit --master local[*] --class com.tmzk.App spark-apps/spark-1.0-SNAPSHOT.jar

得到这个命令后，我们就不需要通过脚本来启动spark了，在spark机器上直接运行这个命令，会看到：

    Listening for transport dt_socket at address: 20000

被调试JVM已经准备就绪，下一步就是使用IDEA去调式这个JVM。

我们准备的一个简单的spark app如下：

    import org.apache.spark.SparkConf;
    import org.apache.spark.api.java.JavaRDD;
    import org.apache.spark.api.java.JavaSparkContext;

    public class App {
        public static void main( String[] args ) {
            String dataFile = "/test.txt";
            SparkConf sparkConf = new SparkConf().setAppName("Simple App");
            JavaSparkContext sparkContext = new JavaSparkContext(sparkConf);
            JavaRDD<String> data = sparkContext.textFile(dataFile).cache();
            long numAs = data.filter((String str) -> str.contains("a")).count();
            long numBs = data.filter((String str) -> str.contains("b")).count();
            System.out.println("Lines with a : " + numAs + " , lines with b : " + numBs);
        }
    }

在程序开头先打一个断点：

建立一个调试：

配置：

1.命一个名字

2.配置被调试JVM所在机器的ip或者主机名

3.端口，和启动被调JVM相同，这里为20000端口

4.配置搜寻源码范围

确定之后点击开始调试：

可以看到：

可以愉快的调试spark app了，而不用每次改了代码->加点print语句->打包->submit->查看输出

这里只讨论了一个机器的spark以本地local的模式启动app，对于调试足够了。不怕麻烦的话应该可以已同样的方式使用debug的方式启动spark集群类各个机器上的JVM，然后在IDEA建立多个remote debug，连接到每个被调试的JVM，完全控制每个worker的执行流程。

另外，如果经常需要调试，可以把spark的bin下的脚本复制一份，适当修改以下（$RUNNER变量的值）方便以调试的方式启动spark计算环境。