spark用程序提交任务到yarn

因为spark文档中只介绍了两种用脚本提交到yarn的例子，并没有介绍如何通过程序提交yarn，但是我们的需求需要这样。网上很难找到例子，经过几天摸索，终于用程序提交到yarn成功，下面总结一下。

先介绍官网提交的例子，我用的是spark 0.9.0 hadoop2.2.0

一.使用脚本提交

1.使用spark脚本提交到yarn，首先需要将spark所在的主机和hadoop集群之间hosts相互配置（也就是把spark主机的ip和主机名配置到hadoop所有节点的/etc/hosts里面，再把集群所有节点的ip和主机名配置到spark所在主机的/etc/hosts里面）。

2.然后需要把hadoop目录etc/hadoop下面的*-sit.xml复制到${SPARK_HOME}的conf下面.

3.确保hadoop集群配置了 HADOOP_CONF_DIR or YARN_CONF_DIR 

1.yarn-standalone方式提交到yarn

在${SPARK_HOME}下面执行：

?

1

2

3

4

5

6

7

8

9

SPARK_JAR=./assembly/target/scala-2.10.4/spark-assembly-0.9.0-incubating-hadoop2.2.0.jar \

    ./bin/spark-classorg.apache.spark.deploy.yarn.Client \

      --jar ./examples/target/scala-2.10/spark-examples_2.10-assembly-0.9.0-incubating.jar \

      --class org.apache.spark.examples.SparkPi \

      --args yarn-standalone \

      --num-workers 3 \

      --master-memory 2g \

      --worker-memory 2g \

      --worker-cores 1

2. yarn-client 方式提交到yarn

在${SPARK_HOME}下面执行：

?

1

2

3

SPARK_JAR=./assembly/target/scala-2.10.4/spark-assembly-0.9.0-incubating-hadoop2.2.0.jar \

SPARK_YARN_APP_JAR=examples/target/scala-2.10/spark-examples_2.10-assembly-0.9.0-incubating.jar \

./bin/run-exampleorg.apache.spark.examples.SparkPi yarn-client

二、使用程序提交

1.必须使用linux主机提交任务，使用windows提交到linux hadoop集群会报

?

1

org.apache.hadoop.util.Shell$ExitCodeException: /bin/bash: 第 0行: fg: 无任务控制

错误。hadoop2.2.0不支持windows提交到linux hadoop集群，网上搜索发现这是hadoop的bug。

2.提交任务的主机和hadoop集群主机名需要在hosts相互配置。

3.因为使用程序提交是使用yarn-client方式，所以必须像上面脚本那样设置环境变量SPARK_JAR 和 SPARK_YARN_APP_JAR

比如我的设置为向提交任务主机~/.bashrc里面添加：

?

1

2

exportSPARK_JAR=file:///home/ndyc/software/sparkTest/lib/spark-assembly-0.9.0-incubating-hadoop2.2.0.jar

     exportSPARK_YARN_APP_JAR=file:///home/ndyc/software/sparkTest/ndspark-0.0.1.jar

如果不加file:// spark会任务是hdfs，会在hdfs里面找，file://表明是本地文件。

其中SPARK_JAR是${SPARK_HOME}/assembly/target/scala-2.10.4/spark-assembly-0.9.0-incubating-hadoop2.2.0.jar

SPARK_YARN_APP_JAR是自己程序打的jar包，包含自己的测试程序。

4.程序中加入hadoop、yarn、依赖。

注意，如果引入了hbase依赖，需要这样配置

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

<dependency>

            <groupId>org.apache.hbase</groupId>

            <artifactId>hbase-thrift</artifactId>

            <version>${hbase.version}</version>

            <exclusions>

                <exclusion>

                    <groupId>org.apache.hadoop</groupId>

                    <artifactId>hadoop-mapreduce-client-jobclient</artifactId>

                </exclusion>

                <exclusion>

                    <groupId>org.apache.hadoop</groupId>

                    <artifactId>hadoop-client</artifactId>

                </exclusion>

            </exclusions>

        </dependency>

然后再加入

?

1

2

3

4

5

<dependency>

            <groupId>org.ow2.asm</groupId>

            <artifactId>asm-all</artifactId>

            <version>4.0</version>

        </dependency>

否则会报错：

?

1

IncompatibleClassChangeError has interfaceorg.objectweb.asm.ClassVisitor as superclass

异常是因为Hbase jar hadoop-mapreduce-client-jobclient.jar里面使用到了asm3.1 而spark需要的是asm-all-4.0.jar

5. hadoop conf下的*-site.xml需要复制到提交主机的classpath下，或者说maven项目resources下面。

6.编写程序

代码示例：

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

packagecom.sdyc.ndspark.sys;

 

importorg.apache.spark.SparkConf;

importorg.apache.spark.api.java.JavaPairRDD;

importorg.apache.spark.api.java.JavaRDD;

importorg.apache.spark.api.java.JavaSparkContext;

importorg.apache.spark.api.java.function.Function2;

importorg.apache.spark.api.java.function.PairFunction;

importscala.Tuple2;

 

importjava.util.ArrayList;

importjava.util.List;

 

/**

 * Created with IntelliJ IDEA.

 * User: zarchary

 * Date: 14-1-19

 * Time: 下午6:23

 * To change this template use File | Settings | File Templates.

 */

publicclass ListTest {

 

    publicstatic void main(String[] args) throwsException {

        SparkConf sparkConf = newSparkConf();

        sparkConf.setAppName("listTest");

        //使用yarn模式提交

        sparkConf.setMaster("yarn-client");

 

        JavaSparkContext sc = newJavaSparkContext(sparkConf);

 

        List<String> listA = newArrayList<String>();

 

        listA.add("a");

        listA.add("a");

        listA.add("b");

        listA.add("b");

        listA.add("b");

        listA.add("c");

        listA.add("d");

 

        JavaRDD<String> letterA = sc.parallelize(listA);

 

        JavaPairRDD<String, Integer> letterB = letterA.map(newPairFunction<String, String, Integer>() {

            @Override

            publicTuple2<String, Integer> call(String s) throwsException {

                returnnew Tuple2<String, Integer>(s, 1);

            }

        });

 

        letterB = letterB.reduceByKey(newFunction2<Integer, Integer, Integer>() {

            publicInteger call(Integer i1, Integer i2) {

                returni1 + i2;

            }

        });

 

        //颠倒顺序

        JavaPairRDD<Integer, String> letterC = letterB.map(newPairFunction<Tuple2<String, Integer>, Integer, String>() {

            @Override

            publicTuple2<Integer, String> call(Tuple2<String, Integer> stringIntegerTuple2) throwsException {

                returnnew Tuple2<Integer, String>(stringIntegerTuple2._2, stringIntegerTuple2._1);

            }

        });

 

        JavaPairRDD<Integer, List<String>> letterD = letterC.groupByKey();

//        //false说明是降序

        JavaPairRDD<Integer, List<String>> letterE = letterD.sortByKey(false);

 

        System.out.println("========"+ letterE.collect());

 

        System.exit(0);

    }

}

代码中master设置为yar-client表明了是使用提交到yarn.

关于spark需要依赖的jar的配置可以参考我的博客spark安装和远程调用。

以上弄完之后就可以运行程序了。

运行后会看到yarn的ui界面出现：

正在执行的过程中会发现hadoop yarn 有的nodemanage会有下面这个进程：

?

1

13247 org.apache.spark.deploy.yarn.WorkerLauncher

这是spark的工作进程。

如果接收到异常为：

?

1

WARN YarnClientClusterScheduler: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient memory

 出现这个错误是因为提交任务的节点不能和spark工作节点交互，因为提交完任务后提交任务节点上会起一个进程，展示任务进度，大多端口为4044，工作节点需要反馈进度给该该端口，所以如果主机名或者IP在hosts中配置不正确，就会报 

WARN YarnClientClusterScheduler: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient memory错误。 
所以请检查主机名和IP是否配置正确。

我自己的理解为，程序提交任务到yarn后，会上传SPARK_JAR和SPARK_YARN_APP_JAR到hadoop节点， yarn根据任务情况来分配资源，在nodemanage节点上来启动org.apache.spark.deploy.yarn.WorkerLauncher工作节点来执行spark任务，执行完成后退出。 

来自:http://my.oschina.net/132722/blog/220096