Windows Spark On YARN 提交任务到CDH集群

软件版本：

IDE：Intellij IDEA 14，Java：1.7，Tomcat：7，CDH：5.8.0； Spark：1.6.0-cdh5.8.0-hadoop2.6.0-cdh5.8.0 ； Hadoop：hadoop2.6.0-cdh5.8.0；

部署环境：

1. 在Windows10 上启动IDEA ，并启动Tomcat，在Tomcat中使用Spark On YARN的方式调用封装好的Spark算法；

2. 调用的集群使用CDH集群（使用的是Cloudera官网下载的虚拟机，所以是单节点，由于这个是单机版的所以把YARN的配置文件改了下，改为使用YARN，而且虚拟机还配置了静态ip）；

工程参考：

1. Web工程调用Spark集群算法，使用Spark On YARN的方式调用，参考基于Spark ALS在线推荐系统，不过这个使用的是原生Spark及Hadoop安装包进行集群部署及工程配置的；（说白了就是不适合CDH集群，如果适合的话，还写这篇文章干啥）；

2. Spark算法封装参考：https://github.com/fansy1990/Spark_MLlib_Algorithm_1.6.0 ，这个工程install即可得到对应的封装好的算法Jar包；

3. 本文章使用的工程参考：https://github.com/fansy1990/Spark_MLlib_1.6.0_，其部署参考：https://github.com/fansy1990/Spark_MLlib_1.6.0_/blob/master/README ；

问题描述：

1.Classpath问题

1. 参考基于Spark ALS在线推荐系统中的配置进行调用CDH集群运行任务，发现其ClassPath有问题；

具体表现为org.apache.hadoop.conf.Configuration类找不到，如下：

2. 使用Spark-submit的方式提交任务可以正常运行：

1）其AM Launch Context如下：

2）但是使用Web提交的时候对比发现，其AM Launch Context中的CLASSPATH对应不到，缺少了一些本地的jar包；如下：

发现后面跟的参数不一样，也就是Classpath的问题了，怎么添加呢？在生成Configuration的时候添加yarn.application.classpath即可，如下：

conf.set("yarn.application.classpath","/usr/lib/spark/lib/spark-assembly.jar:/usr/lib/hadoop/lib/*:/usr/lib/hadoop/*:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/*:/usr/lib/hive/lib/*:/usr/lib/flume-ng/lib/*:/usr/lib/paquet/lib/*:/usr/lib/avro/lib/*");

这样就不会再报Configuration类找不到了；

2. Windows & LInux问题

1. 参考上节修改完成后，使用Windows再次提交发现下面的问题：

2. 但是使用Linux部署TOmcat，却是可以运行的；通过对比提交命令，如下：

上面是Linux提交的，下面是Windows提交的；

这就奇怪了，查看其源码；

3. 查看ApplicationMaster源码，查看其args与arg的区别：

首先了解下Spark On YARN提交流程：Client –> ApplicationMaster ，所以也就是说是Client构造的参数，然后提交给ApplicationMaster。那看看其源码（org.apache.spark.deploy.yarn.Client）：

发现Client 中构造的是确实是—arg，也就是说ApplicationMaster应该处理的也是arg参数，而非args参数，查看ApplicationMaster（org.apache.spark.deploy.yarn.ApplicationMaster）源码：

其处理参数使用的是ApplicationMasterArguments，看ApplicationMasterArguments是怎么处理参数的呢？

所以也就是说其是使用--args和--arg都是可以的，那为什么单单Windows提交不行呢？

4. Windows --arg问题解决

通过对比Linux和Windows提交的Command参数，发现在--arg参数后面，如果使用Linux提交，那么其后的参数被单引号引起来了，但是Windows提交的时候就没有，这也就是说在Client构造--arg参数的时候，Windows和Linux是不一样的，在Client源码843行中有这样一句：

Seq("--arg", YarnSparkHadoopUtil.escapeForShell(arg))

也即是说YarnSparkHadoopUtil对Windows和Linux处理方式是不一样的，查看函数源码：

通过上面的修改，那么Windows提交任务到YARN上就不会出现--arg参数notsupport的提示了；

5. 未知问题

表现，在主监控表现：

在日志表现：

这就很奇怪了，启动了3个executor，但是3个都不知道什么原因失败了，然后达到了3次最大失败次数，然后就失败了；

6. 怎么解决未知问题：

这个还需要通过日志来，首先说明有两个Context，其一是AM Launch Context，其二是Executor Launch COntext，对比发现，Web提交的和Submit提交的，这两个还是不一样：

所以这里还是要解决SPARK_DIST_CLASSPATH的问题，其实这个问题说简单就很简单，只需要在sparkConf里面加个设置即可：

sparkConf.set("spark.yarn.appMasterEnv.SPARK_DIST_CLASSPATH","/usr/lib/spark/lib/spark-assembly.jar:/usr/lib/hadoop/lib/*:/usr/lib/hadoop/*:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/*:/usr/lib/hive/lib/*:/usr/lib/flume-ng/lib/*:/usr/lib/paquet/lib/*:/usr/lib/avro/lib/*");

或者设置

System.setProperty("spark.yarn.appMasterEnv.SPARK_DIST_CLASSPATH","/usr/lib/spark/lib/spark-assembly.jar:/usr/lib/hadoop/lib/*:/usr/lib/hadoop/*:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/*:/usr/lib/hive/lib/*:/usr/lib/flume-ng/lib/*:/usr/lib/paquet/lib/*:/usr/lib/avro/lib/*");

也可以；

再次提交任务，发现任务运行成功：

解决方案

1. 使用原生Spark Assembly jar包

我个人是之前知道的，使用原生 Spark Assembly jar包放在Web程序的lib目录下面是可以调用CDH集群的（CDH集群上的HDFS上面放的Assembly jar包是CDH自己的）；但是这个不适用这里的情况，这里使用的是Maven来构建项目，不能自己添加jar包，所以只能使用CDH提供的各种Spark的小jar包；那使用Spark原生Assembly jar包怎么做呢？

其实很简单：

把HDFS上面放的Assembly jar包改为Spark原生的即可！

如果使用Spark-submit提交，那么其Name应该是com.fz.classification.LogisticRegression，而使用Web提交，其Name就是如上图所示的；

2. 设置SPARK_DIST_CLASSPATH参数

参考上面的解决方案即可（个人认为这个是解决问题的答案，而非解决方案1）

总结：

1. Spark On YARN ，不能直接套用，针对CDH集群或HDP集群其一些表现和开源版本还是有不一样的地方的；

2. 针对出现的问题，要思路清晰，需要了解其整体流程，这样就可以去排查错误了；

3. 针对出现的问题，还可以通过对比验证的方式来解决，比如Spark On YARN，可以试试Spark-submit的方式是否可以提交任务？如果可以提交任务，那么使用Web提交和Spark-submit提交有什么异同呢？把不一样的地方给它整一样了，是否问题就解决了呢？

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