Java 将jars添加到Spark作业-Spark提交

Question

但是有很多歧义和提供的一些答案…包括在jars / executor / driver配置或选项中复制jar引用。

• How ClassPath is affected
• Driver
• Executor (for tasks running)
• Both
• not at all
• Separation character: comma, colon, semicolon
• If provided files are automatically distributed
• for the tasks (to each executor)
• for the remote Driver (if ran in cluster mode)
• type of URI accepted: local file, hdfs, http, etc
• If copied into a common location, where that location is (hdfs, local?)

影响的选项：
1. –jars
2. SparkContext.addJar(…) 方法
3. SparkContext.addFile(…) 方法
4. –conf spark.driver.extraClassPath=… 要么 –driver-class-path …
5. –conf spark.driver.extraLibraryPath=…， 要么 –driver-library-path …
6. –conf spark.executor.extraClassPath=…
7. –conf spark.executor.extraLibraryPath=…
8. 不要忘记，spark-submit的最后一个参数也是.jar文件。

我知道在哪里可以找到主要的spark文档，尤其是有关如何提交，可用的选项以及JavaDoc的信息。但是，这仍然给我留下了很多空白，尽管它也可以部分解决。

我希望这不是那么复杂，并且有人可以给我一个清晰简洁的答案。

如果我从文档中猜测，似乎–jars和SparkContext addJar和addFile方法是将自动分发文件的方法，而其他选项仅修改了ClassPath。

为简单起见，可以安全地假设我可以同时使用3个主要选项添加其他应用程序jar文件：

spark-submit --jar additional1.jar,additional2.jar \
  --driver-library-path additional1.jar:additional2.jar \
  --conf spark.executor.extraLibraryPath=additional1.jar:additional2.jar \
  --class MyClass main-application.jar

在另一篇文章的答案上找到了一篇不错的文章。但是，没有新的知识。海报确实很好地说明了本地驱动程序（yarn-client）和远程驱动程序（yarn-cluster）之间的区别。要牢记绝对重要。

Answer 1

类路径：
ClassPath的影响取决于你提供的内容。有两种方法可以在类路径上进行设置：

• spark.driver.extraClassPath或--driver-class-path在运行驱动程序的节点上设置额外的类路径的别名。
• spark.executor.extraClassPath 在Worker节点上设置额外的类路径。
  如果希望在主服务器和工作服务器上都执行某个JAR，则必须在两个标志中分别指定它们。

分隔符：
遵循与JVM相同的规则：

• Linux：冒号 :
• 例如： --conf "spark.driver.extraClassPath=/opt/prog/hadoop-aws-2.7.1.jar:/opt/prog/aws-java-sdk-1.10.50.jar"
• Windows：分号 ;
• 例如： --conf "spark.driver.extraClassPath=/opt/prog/hadoop-aws-2.7.1.jar;/opt/prog/aws-java-sdk-1.10.50.jar"

文件分发：
这取决于你在以下模式下运行工作的方式：

客户端模式-Spark启动Netty HTTP服务器，该服务器在启动时为每个辅助节点分发文件。你可以在开始执行Spark作业时看到：

16/05/08 17:29:12 INFO HttpFileServer: HTTP File server directory is /tmp/spark-48911afa-db63-4ffc-a298-015e8b96bc55/httpd-84ae312b-5863-4f4c-a1ea-537bfca2bc2b
16/05/08 17:29:12 INFO HttpServer: Starting HTTP Server
16/05/08 17:29:12 INFO Utils: Successfully started service 'HTTP file server' on port 58922.
16/05/08 17:29:12 INFO SparkContext: Added JAR /opt/foo.jar at http://***:58922/jars/com.mycode.jar with timestamp 1462728552732
16/05/08 17:29:12 INFO SparkContext: Added JAR /opt/aws-java-sdk-1.10.50.jar at http://***:58922/jars/aws-java-sdk-1.10.50.jar with timestamp 1462728552767

集群模式-在集群模式下，spark选择了一个Leader Worker节点以执行Driver进程。这意味着作业不是直接从“主”节点运行。在这里，Spark 不会设置HTTP服务器。你必须通过可用于所有节点的HDFS / S3 / Other来源手动将JARS提供给所有工作节点。

文件接受的URI
在“提交应用程序”中，Spark文档很好地解释了文件的可接受前缀：

使用spark-submit时，应用程序jar以及–jars选项随附的所有jar都会自动传输到集群。Spark使用以下URL方案来允许不同的策略来传播jar：

• 文件：-绝对路径和文件：/ URI由驱动程序的HTTP文件服务器提供，并且每个执行程序都从驱动程序HTTP服务器提取文件。
• hdfs：，http：，https：，ftp：-如预期的那样，这些从URI下拉文件和JAR
• 本地：-以local：/开头的URI应该作为每个工作节点上的本地文件存在。这意味着将不会产生网络IO，并且对于推送到每个工作程序或通过NFS，GlusterFS等共享的大文件/ JAR来说效果很好。
  请注意，JAR和文件已复制到执行程序节点上每个SparkContext的工作目录中。

如前所述，将JAR复制到每个Worker节点的工作目录中。那到底在哪里？它通常下/var/run/spark/work，你会看到他们是这样的：

drwxr-xr-x    3 spark spark   4096 May 15 06:16 app-20160515061614-0027
drwxr-xr-x    3 spark spark   4096 May 15 07:04 app-20160515070442-0028
drwxr-xr-x    3 spark spark   4096 May 15 07:18 app-20160515071819-0029
drwxr-xr-x    3 spark spark   4096 May 15 07:38 app-20160515073852-0030
drwxr-xr-x    3 spark spark   4096 May 15 08:13 app-20160515081350-0031
drwxr-xr-x    3 spark spark   4096 May 18 17:20 app-20160518172020-0032
drwxr-xr-x    3 spark spark   4096 May 18 17:20 app-20160518172045-0033

当你查看内部时，将看到部署的所有JAR：

[*@*]$ cd /var/run/spark/work/app-20160508173423-0014/1/
[*@*]$ ll
total 89988
-rwxr-xr-x 1 spark spark   801117 May  8 17:34 awscala_2.10-0.5.5.jar
-rwxr-xr-x 1 spark spark 29558264 May  8 17:34 aws-java-sdk-1.10.50.jar
-rwxr-xr-x 1 spark spark 59466931 May  8 17:34 com.mycode.code.jar
-rwxr-xr-x 1 spark spark  2308517 May  8 17:34 guava-19.0.jar
-rw-r--r-- 1 spark spark      457 May  8 17:34 stderr
-rw-r--r-- 1 spark spark        0 May  8 17:34 stdout

受影响的选项：
要理解的最重要的事情是优先级。如果你通过代码传递任何属性，它将优先于你通过指定的任何选项spark-submit。Spark文档中提到了这一点：

指定为标志或属性文件中的任何值都将传递到应用程序，并与通过SparkConf指定的那些值合并。直接在SparkConf上设置的属性具有最高优先级，然后将标志传递到spark-submit或spark-shell，然后是spark-defaults.conf文件中的选项

因此，请确保将这些值设置在适当的位置，以便当一个优先级高于另一个时，你不会感到惊讶。

让我们分析每个有问题的选项：

• --jarsvs SparkContext.addJar：这些是相同的，只有一个是通过spark提交设置的，一个是通过代码设置的。选择一个更适合你的套件。需要注意的重要一点是，使用这两个选项中的任何一个都不会将JAR添加到驱动程序/执行器类路径中，你需要使用这两个选项上的extraClassPathconfig 显式添加它们。
• SparkContext.addJarvs SparkContext.addFile：当你的代码需要使用依赖项时，请使用前者。仅在要将任意文件传递到工作程序节点时使用后者，这不是代码中的运行时依赖项。
• --conf spark.driver.extraClassPath=...或--driver-class-path：这些是别名，与选择哪一个无关紧要
• --conf spark.driver.extraLibraryPath=..., or --driver-library-path ... 与上面相同，别名。
• --conf spark.executor.extraClassPath=...：当你具有无法包含在超级JAR中的依赖项时（例如，由于库版本之间存在编译时冲突）并且需要在运行时加载时，请使用此函数。
• --conf spark.executor.extraLibraryPath=...这作为java.library.pathJVM 的选项传递。需要JVM可见的库路径时，请使用此选项。
  为简单起见，可以安全地假设我可以同时使用3个主要选项添加其他应用程序jar文件：

你可以放心地假设仅针对客户端模式，而不适用于集群模式。正如我之前所说。另外，你给出的示例还有一些多余的参数。例如，将JAR传递给--driver-library-path是没有用的，extraClassPath如果希望它们位于类路径中，则需要将其传递给。最终，在驱动程序和工作程序上都部署外部JAR时，你要做的是：

spark-submit --jars additional1.jar,additional2.jar \
  --driver-class-path additional1.jar:additional2.jar \
  --conf spark.executor.extraClassPath=additional1.jar:additional2.jar \
  --class MyClass main-application.jar