Question

我一直在试验和谷歌搜索几个小时，没有运气。

我有一个火花流式应用程序，在本地火花群中运行良好。现在我需要在cloudera 5.4.4上部署它。我需要能够启动它，让它在后台持续运行，并且能够阻止它。

我试过了：

$ spark-submit --master yarn-cluster --class MyMain my.jar myArgs

但它只是无休止地印刷这些线条。

15/07/28 17:58:18 INFO Client: Application report for application_1438092860895_0012 (state: RUNNING)
15/07/28 17:58:19 INFO Client: Application report for application_1438092860895_0012 (state: RUNNING)

问题1 ：由于它是一个流媒体应用，因此需要持续运行。那么我该如何在“后台”模式下运行呢？我发现在纱线上提交火花作业的所有例子似乎都假设应用程序会做一些工作并终止，因此你想要在前台运行它。但流媒体并非如此。

接下来......此时应用程序似乎无法正常运行。我认为这可能是我的错误或配置错误，所以我试着查看日志以查看发生了什么：

$ yarn logs -applicationId application_1438092860895_012

但它告诉我：

/tmp/logs/hdfs/logs/application_1438092860895_0012does not have any log files.

所以问题2 ：如果应用程序正在运行，为什么它没有日志文件？

所以最终我不得不杀了它：

$ yarn application -kill application_1438092860895_012

提出问题3 ：假设我最终可以启动并在后台运行应用程序，“yarn application -kill”是阻止它的首选方式吗？

Answer 1

您可以关闭spark-submit控制台。当写出 RUNNING 状态时，作业已在后台运行。
应用程序完成后，日志可见。在运行期间，所有日志都可以在本地工作节点直接访问（您可以在YARN资源管理器Web UI中查看），并在作业完成后聚合到HDFS 。
yarn application -kill可能是阻止Spark流媒体应用程序的最佳方式，但它并不完美。最好做一些正常关闭来停止所有流接收器并停止流式传输，但我个人不知道该怎么做。

Answer 2

我终于找到了安全关闭火花流工作的方法。

编写套接字服务器线程等待停止流式上下文

    package xxx.xxx.xxx

    import java.io.{BufferedReader, InputStreamReader}
    import java.net.{ServerSocket, Socket}

    import org.apache.spark.streaming.StreamingContext

    object KillServer {

      class NetworkService(port: Int, ssc: StreamingContext) extends Runnable {
        val serverSocket = new ServerSocket(port)

        def run() {
          Thread.currentThread().setName("Zhuangdy | Waiting for graceful stop at port " + port)
          while (true) {
            val socket = serverSocket.accept()
            (new Handler(socket, ssc)).run()
          }
        }
      }

      class Handler(socket: Socket, ssc: StreamingContext) extends Runnable {
        def run() {
          val reader = new InputStreamReader(socket.getInputStream)
          val br = new BufferedReader(reader)
          if (br.readLine() == "kill") {
            ssc.stop(true, true)
          }
          br.close();
        }
      }

      def run(port:Int, ssc: StreamingContext): Unit ={
        (new NetworkService(port, ssc)).run
      }
    }

在您开始流式传输的main方法中，添加以下代码

ssc.start()
KillServer.run(11212, ssc)
ssc.awaitTermination()

编写spark-submit以将作业提交给纱线，并将输出直接输出到稍后将使用的文件

    spark-submit --class "com.Mainclass" \        
            --conf "spark.streaming.stopGracefullyOnShutdown=true" \        
            --master yarn-cluster  --queue "root"  \        
            --deploy-mode cluster \
            --executor-cores 4 --num-executors 8 --executor-memory 3G \
            hdfs:///xxx.jar > output 2>&1 &

最后，安全关闭火花流工作而不会丢失数据或计算结果不会持久！（用于正常停止流上下文的服务器套接字正在驱动程序上运行，因此您将grep第3步的输出以获取驱动程序地址，并使用echo nc发送套接字kill命令）


    #!/bin/bash
    driver=`cat output | grep ApplicationMaster | grep -Po '\d+.\d+.\d+.\d+'`
    echo "kill" | nc $driver 11212
    driverid=`yarn application -list 2>&1 | grep ad.Stat | grep -Po 'application_\d+_\d+'`
    yarn application -kill $driverid

Answer 3

您的数据来源是什么？如果它是可靠的，像卡夫卡直接接收器，纱线杀死关闭应该没问题。当您的应用程序重新启动时，它将从最后一个完整的批处理偏移读取如果数据源不可靠，或者您想自己处理正常关闭，则必须在流上下文中实现某种外部挂钩。我遇到了同样的问题，最后我实施了一个小小的黑客，在webui中添加了一个新的标签，作为停止按钮。

Answer 4

最后一个难题是如何以优雅的方式停止在YARN上部署的Spark Streaming应用程序。停止（或者更确切地说是杀死）YARN应用程序的标准方法是使用命令yarn application -kill [applicationId]。此命令将停止Spark Streaming应用程序，但这可能发生在批处理中间。因此，如果作业从Kafka读取数据，将处理结果保存在HDFS上并最终提交Kafka偏移量，那么当作业在提交偏移之前停止时，您应该期待HDFS上的重复数据。

解决正常关闭问题的第一个尝试是在关闭钩子中调用Spark流上下文停止方法。

sys.addShutdownHook {
    streamingContext.stop(stopSparkContext = true, stopGracefully = true)
}

令人失望的是，一个关闭挂钩调用太晚，无法完成启动批处理，几乎立即就会杀死Spark应用程序。此外，无法保证JVM根本不会调用关闭挂钩。

在撰写此博客文章时，唯一确认的方法是在YARN上正常关闭Spark Streaming应用程序，以某种方式通知应用程序有关计划关闭，然后以编程方式停止流式传输（但不是从关闭挂钩）。如果通知的应用程序在定义的超时后没有停止，则命令yarn application -kill应仅用作最后的手段。

可以使用HDFS上的标记文件（最简单的方法）或使用驱动程序上公开的简单Socket / HTTP端点（复杂方式）通知应用程序关于计划关闭。

因为我喜欢KISS原理，下面你可以找到用于使用标记文件启动/停止Spark Streaming应用程序的shell脚本伪代码：

start() {
    hdfs dfs -touchz /path/to/marker/my_job_unique_name
    spark-submit ...
}

stop() {
    hdfs dfs -rm /path/to/marker/my_job_unique_name
    force_kill=true
    application_id=$(yarn application -list | grep -oe "application_[0-9]*_[0-9]*"`)
    for i in `seq 1 10`; do
        application_status=$(yarn application -status ${application_id} | grep "State : \(RUNNING\|ACCEPTED\)")
        if [ -n "$application_status" ]; then
            sleep 60s
        else
            force_kill=false
            break
        fi
    done
    $force_kill && yarn application -kill ${application_id}
}

在Spark Streaming应用程序中，后台线程应该监视标记文件，当文件消失时停止上下文调用

streamingContext.stop(stopSparkContext = true, stopGracefully = true)

您也可以参考http://blog.parseconsulting.com/2017/02/how-to-shutdown-spark-streaming-job.html

在纱线中启动/停止火花流工作的正确方法是什么？

4 个答案: