抛开spark-submit脚本提交spark程序

Posted 2023-02-10 拱头

在往yarn中提交spark程序的时候，需要使用到spark-submit脚本，spark-submit脚本会启动SparkSubmit类，再反射启动用户写的spark程序。如果我们能够抛开spark-submit脚本和SparkSubmit类启动spark程序，那么spark程序就能够方便的镶嵌到其他大型程序中，为其他程序提供计算引擎，例如镶嵌到tomcat中，为web程序提供守护程序。 为了解决以上问题，首先想到的是要抛弃spark-submit，保证能够用java指令提交spark程序到yarn中。具体的分析步骤如下：

• 先写一个简单的示例代码用来测试，并打包，这里打包完jar包地址为/root/IdeaProjects/java-scala-practice/target/java-scala-practice-1.0.jar：

package spark.freedomstart

import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.SparkConf , SparkContext

object StartSparkWithoutSparkSubmit

def main(args: Array[ String])
val sparkConf = new SparkConf().setAppName( "local-yarn-test")
val sc = new SparkContext(sparkConf)
val hc = new HiveContext(sc)
hc.sql( "select * from pokes").show()

• 查看spark-submit脚本是如何提交程序的，看到spark-submit是调用spark-class提交代码的。在spark-class脚本的最后，执行了exec "$CMD[@]"，猜测应该是使用这行指令将程序提交到yarn上的。使用echo "$CMD[@]"把这行指令打印出来，看看具体是什么指令。

• 使用spark-submit提交代码，查看打印信息，执行指令，$SPARK_HOME/bin/spark-submit --master yarn --verbose --class spark.freedomstart.StartSparkWithoutSparkSubmit /root/IdeaProjects/java-scala-practice/target/java-scala-practice-1.0.jar，其中 --verbose参数是用来打印debug信息的，看到控制台弹出上一步的echo的信息，可以知道spark-class其实是用java启动了SparkSubmit来提交用户写的代码：

• 通过查看SparkSubmit类的源码，用户写的spark程序通过SparkSubmit中的submit->runMain方法启动，runMain方法有childArgs, childClasspath, sysProps, childMainClass四个参数影响用户提交的程序，先用--verbose，将四个参数使用spark-submit提交的时候，对应的内容打印出来。再看看能不能直接将这部分内容添加到用户程序中。这就可以抛开spark-submit脚本执行了。

可以看到4个参数的内容，Main class 和 Arguments就是启动的主类和参数，没什么好说的。System properties使用System.setProperty 加入到系统变量中；Classpath elements 是程序需要使用到的额外classpath，这部分包括--jars配置的jar包路径也要加进来，在提交程序的时候 使用java -cp指定。

• 通过以上几步分析，现在可以尝试修改代码，增加需要的配置，使用java指令尝试提交。
• 修改StartSparkWithoutSparkSubmit代码，增加需要的配置。

package spark.freedomstart

import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.SparkConf , SparkContext

/**
* 以下程序可以直接使用 java 指令 启动 ，不需要使用 spark-submit 启动 ，也能 让 spark 程序提交到 yarn 中。
* 脱 离 spark-submit 脚本和 SparkSubmit 类 ，能 够 令 spark 程序更好的 镶 嵌到其他大型程序中。
*/
object StartSparkWithoutSparkSubmit

System. setProperty( "SPARK_SUBMIT" , "true")
System. setProperty( "spark.jars" , "file:/root/IdeaProjects/java-scala-practice/target/java-scala-practice-1.0.jar")
System. setProperty( "spark.submit.deployMode" , "client")
System. setProperty( "spark.master" , "yarn-client")

def main(args: Array[ String])
val sparkConf = new SparkConf().setAppName( "local-yarn-test")
val sc = new SparkContext(sparkConf)
val hc = new HiveContext(sc)
hc.sql( "select * from pokes").show()

• 使用java指令提交spark代码，java指令需要使用 -cp参数，参数中加入的路径报错，spark的lib路径，scala的lib路径，spark的配置文件路径，hadoop的配置文件路径，用户jar包的路径和spark提交的时候--jars用到的jar包的路径。在本例中，指令如下：

java -cp \\
/usr/local/spark/spark-1.6.1-bin-hadoop2.6/lib/*:\\
/usr/local/spark/spark-1.6.1-bin-hadoop2.6/conf/:\\
/usr/local/spark/spark-1.6.1-bin-hadoop2.6/lib/spark-assembly-1.6.1-hadoop2.6.0.jar:\\
/usr/local/spark/spark-1.6.1-bin-hadoop2.6/lib/datanucleus-api-jdo-3.2.6.jar:\\
/usr/local/spark/spark-1.6.1-bin-hadoop2.6/lib/datanucleus-rdbms-3.2.9.jar:\\
/usr/local/spark/spark-1.6.1-bin-hadoop2.6/lib/datanucleus-core-3.2.10.jar:\\
/usr/local/hadoop/hadoop-2.6.4/etc/hadoop/:\\
/usr/local/scala/scala-2.10.6/lib/*:\\
/root/IdeaProjects/java-scala-practice/target/java-scala-practice-1.0.jar\\
-Xms1g -Xmx1g spark.freedomstart.StartSparkWithoutSparkSubmit 执行的过程中可能报错java.lang.NoSuchMethodException: akka.remote.RemoteActorRefProvider.<init>,这是因为scala中带的actor版本和spark中akka的actor版本有差异导致的，解决方法也很简单，使用java -cp提交代码的时候，要将$SCALA_HOME/lib/*放在$SPARK_HOME/lib/*后面就可以了。
到此spark程序能够通过java指令提交成功~就是这样使用的时候，参数是静态设置的，不能修改，虽然比较麻烦，但是镶嵌在别的程序中，参数从执行开始就是固定的，也比较合理。