通过 REST 提交 EMR Yarn 应用程序

Posted 2023-04-18

【中文标题】通过 REST 提交 EMR Yarn 应用程序

【英文标题】：EMR Yarn application submission via REST

【发布时间】：2019-02-04 09:28:36

【问题描述】：

我在 AWS 中有一个带有 YARN 的 Hadoop 集群，我向该集群提交了 Spark 应用程序。我通过 REST 请求工作，按照本文档中的说明提交 XML：YARN REST API。它适用于常规集群。

我目前正在做一个 POC 来使用 EMR 集群，而不是通常的 POC，我使用现有的 REST 命令并通过 SSH 与 EMR 的内部 YARN 进行通信，如下所示：Web access of internal EMR services。它适用于大多数 REST 命令，例如 POST http://<rm http address:port>/ws/v1/cluster/apps/new-application，但是当我提交一个新应用程序时它立即失败并报告它找不到 ApplicationMaster。

日志类型：stderr

日志上传时间：2019年2月3日星期日17:18:35 +0000

日志长度：88

错误：无法找到或加载主类 org.apache.spark.deploy.yarn.ApplicationMaster

我怀疑这以某种方式连接到类路径，当我添加到 REST 提交应用程序节点的类路径标志以及所有 jars (/usr/lib/spark/jars/*) 的 EMR FS 位置时，它发现ApplicationMaster 但随后无法在核心实例中找到 Jars，并出现以下奇怪的错误日志：

日志类型：stderr

日志上传时间：2019年1月31日星期四15:11:21 +0000

日志长度：89

错误：无法找到或加载主类 .usr.lib.spark.jars.datanucleus-core-3.2.10.jar

最不寻常的是它试图描述它找不到的 jar 的方式，而不是类。经过进一步调查，我找到了原因：当Java命令发送到Core实例时，它将类路径解析为它的三个文件：java -server -classpath /usr/lib/spark/jars/datanucleus-api-jdo-3.2.6.jar /usr/lib/spark/jars/datanucleus-core-3.2.10.jar /usr/lib/spark/jars/datanucleus-rdbms-3.2.9.jar ...，因此尝试执行“/usr/lib/spark/jars/datanucleus-core -3.2.10.jar" 就好像它是一个可运行的。问题是如果我尝试将类路径更改为更具体，或者如果我尝试删除它，应用程序将再次失败，因为找不到 ApplicationMaster。

我发送给 YARN 的 REST 请求是：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?> 
<application-submission-context> 
<application-id>application_1549270910165_0001</application-id> 
<application-name> .... some name .....</application-name> 
<queue>default</queue> 
<priority>0</priority> 
<am-container-spec> 
<local-resources> 
    <entry>

 ....... MANY MANY RESOURCES ......

        </value>
    </entry>

</local-resources> 
<environment> 
<entry> 
<key>SPARK_YARN_STAGING_DIR</key> 
<value>..... staging directory in our HDFS ..... </value> 
</entry> 
<entry> 
<key>CLASSPATH</key> 
<value>$PWD:$PWD/__spark_conf__:$PWD/__spark_libs__/*:/usr/lib/spark/jars/*:/usr/lib/spark/yarn/lib/*:%HADOOP_CONF_DIR%:%HAOOP_COMMON_HOME%/share/hadoop/common/*:%HADOOP_COMMON_HOME%/share/hadoop/common/lib/*:%HADOOP_HDFS_HOME%/share/hadoop/hdfs/*:%HADOOP_HDFS_HOME%/share/hadoop/hdfs/lib/*:%HADOOP_YARN_HOME%/share/hadoop/yarn/*:%HADOOP_YARN_HOME%/share/hadoop/yarn/lib/*:%HADOOP_MAPRED_HOME%/share/hadoop/mapreduce/*:%HADOOP_MAPRED_HOME%/share/hadoop/mapreduce/lib/*:$PWD/__spark_conf__/__hadoop_conf__</value> 
</entry>
<entry>
<key>SPARK_USER</key>
<value>... user name ....</value>
</entry>
</environment>
<commands> 
<command>command=$JAVA_HOME/bin/java -classpath '/usr/lib/spark/jars/*' -server -Xmx5120M -Djava.io.tmpdir=$PWD/tmp '-XX:hashCode=0' '-Dlog4j.configuration=log4j-client.cfg' '-Dhdp.version=2.8.4' -Dspark.yarn.app.container.log.dir=&lt;LOG_DIR&gt; org.apache.spark.deploy.yarn.ApplicationMaster ... some jar and arguments ....  --properties-file $PWD/__spark_conf__/__spark_conf__.properties 1&gt; &lt;LOG_DIR&gt;/stdout 2&gt; &lt;LOG_DIR&gt;/stderr</command> 
</commands> 
</am-container-spec> 
<unmanaged-AM>false</unmanaged-AM> 
<max-app-attempts>1</max-app-attempts> 
<resource> 
<memory>5632</memory> 
<vCores>1</vCores> 
</resource> 
<application-type>SPARK</application-type> 
<keep-containers-across-application-attempts>false</keep-containers-across-application-attempts> 
<application-tags> 
<tag>.... product tag .....</tag> 
</application-tags> 
<log-aggregation-context/> 
<attempt-failures-validity-interval>1</attempt-failures-validity-interval> 
<reservation-id/> 
</application-submission-context>

我会很感激任何线索。

【参考方案1】：

经过长时间的搜索，我发现应用程序无法加载类org.apache.spark.deploy.yarn.ApplicationMaster的原因是因为这不是EMR核心实例使用的ApplicationMaster的版本-它使用org.apache.hadoop.yarn.applications.distributedshell.ApplicationMaster，这需要输入中的CLASSPATH 段包括/usr/lib/hadoop-yarn/*。我更改了 REST 请求的输入 XML 中的两个参数，它成功启动。我仍然需要为 EMR 实施配置正确的 CLASSPATH 以使应用程序成功完成，但这个问题的主要挑战已经解决。

更新：最终我决定在 EMR 中添加一个步骤并使用参数实际上是一种更简单的方法来处理它。我在 Maven 依赖项中添加了 EMR AWS Java SDK：

<dependency>
    <groupId>com.amazonaws</groupId>
    <artifactId>aws-java-sdk-emr</artifactId>
    <version>1.11.486</version>
</dependency>

并添加了以下代码：

AddJobFlowStepsResult result = emr.addJobFlowSteps(new AddJobFlowStepsRequest()
            .withJobFlowId(clusterId)
            .withSteps(new StepConfig()
                    .withName(name)
                    .withActionOnFailure(ActionOnFailure.CONTINUE)
                    .withHadoopJarStep(new HadoopJarStepConfig()
                            .withJar("command-runner.jar")
                            .withArgs(stepargs))));

stepargs 取自我的原始 REST 请求，包括要使用的 jar 和文件 - 只需使用 spark-submit：

List<String> stepargs = new ArrayList<String>();
stepargs.add("spark-submit");
stepargs.add("--class");
stepargs.add(mainClass);
stepargs.add("--deploy-mode");
stepargs.add("cluster");
stepargs.add("--master");
stepargs.add("yarn");
stepargs.add("--files");
stepargs.add(files);
stepargs.add("--jars");
stepargs.add(jars);
stepargs.add("--properties-file");
stepargs.add(confFileName);
stepargs.add(jar);
Iterator<String> itr = args.iterator();
while (itr.hasNext()) 
    String arg = itr.next();
    if (arg.equals("--arg")) 
        stepargs.add(itr.next());