spark源码远程调试开发

对于spark源码和spark执行过程有兴趣的同学，可以搭建一个spark的源码调试环境，来调试远程spark源码执行过程。

由于spark启动都是通过脚本设置一些环境变量执行指定类来启动的，所以在ide里面不能直接调试，需要预先启动一个spark执行代码，然后通过本地的代码进行远程调试。

1.环境

• idea 2017
• maven 3.3（可以将maven的镜像地址设置成国内的，不然编译很久或编译不成功）
• jdk 1.8
• spark 2.x
• scala 2.11

2.下载源码并编译

spark源码导入ide之前要先编译，编译的时候要用到build包里面的脚本，由于脚本是shell，故在windows编译不了，可以在linux上编译好之后放到windows上。

git clone https://github.com/apache/spark.gitcd spark#切换到2.2版本git checkout branch-2.2./build/mvn -DskipTests clean package

编译好之后，在idea里面导入spark源码

3.在ide里面调试

这里以调试spark-sql为例。

首先启动spark-sql，在后面添加上远程调试的参数

sbin/start-thriftserver.sh --driver-java-options "-Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=10080"

dt_socket：使用的通信方式

server：是主动连接调试器还是作为服务器等待调试器连接

suspend：是否在启动JVM时就暂停，并等待调试器连接

address：地址和端口，地址可以省略，两者用冒号分隔

启动thriftservier后，日志里面显示这样一条记录，就表示客户端可以远程进行源码调试

在idea里面创建一个远程调试客户端，并设置源码进行调试。

点击OK，创建好远程调试客户端。

如下图点击debug，运行。

控制台显示已经连接到远程调试服务

打开PaseDriver并在如图所在行设置断点。
这个类相当于hive的driver类，负责编译sql语句和生成spark任务，在这里就可以查看sql语句是怎样转换成一步步的spark rdd转换。

到这里，用beeline连接thriftserver，并直接一个sql语句，如”show tables”
执行完之后，beeline的命令行就会挂起，这时在idea里面就可以调试执行过程了。

4.其它

例子里面的spark-sql相关可以参考
http://blog.csdn.net/dante_003/article/details/78657689
http://blog.csdn.net/dante_003/article/details/78652534