疑惑一、Spark提交任务依赖包问题？
使用Spark打jar包是个比较头疼的问题：
- 不能包冗余的依赖（比如hadoop/hbase）放到jar包里，有可能导致运行环境污染；
- 不能太少：如果缺少必要的jar包，则会抛NoClassFoundException；
所以，在使用场景中，如何编译出符合要求的最少依赖的提交jar呢？
其实这里面有一个需要注意的地方（同时也是一个很诡异的地方），你在打包的时候需要清楚：哪些包你是不需要的，哪些包你是必须的。
这个对用户小白来说是一件需要重复试验的工作，体验不好；
解决思路：
- 将所依赖的jar打进一个jar中；
- 将所依赖的jar领出来，基于spark-submit --jars参数上传必须依赖的jar，供executor端使用；
方案一、 基于assembly编译完整jar
注意： 此种方案会将所有依赖jar编译至一个jar包中，比较危险，不推荐；
TODO: 是否还有其他更优化的方案；
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>assemble</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
方案二、基于assembly集成spark所依赖的jar
在maven中添加assembly和dependency插件，并将dependency插件设置<excludeScope>provided</excludeScope>，这样可以将scope为provided级别的依赖不包含在最终的lib中：
<plugin>
<artifactId>maven-dependency-plugin</artifactId>
<executions>
<execution>
<phase>process-sources</phase>
<goals>
<goal>copy-dependencies</goal>
</goals>
<configuration>
<excludeScope>provided</excludeScope>
<outputDirectory>${project.build.directory}/lib</outputDirectory>
</configuration>
</execution>
</executions>
</plugin>
<!-- Assembly Plug-in -->
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<finalName>spark-demos-${project.version}</finalName>
<descriptors>
<descriptor>src/assembly/assembly.xml</descriptor>
</descriptors>
<tarLongFileMode>gnu</tarLongFileMode>
</configuration>
<executions>
<execution>
<id>assemble</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
<assembly xmlns="http://maven.apache.org/plugins/maven-assembly-plugin/assembly/1.1.2"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/plugins/maven-assembly-plugin/assembly/1.1.2 http://maven.apache.org/xsd/assembly-1.1.2.xsd">
<id>distribution</id>
<formats>
<format>dir</format>
<format>tar.gz</format>
</formats>
<fileSets>
<fileSet>
<directory>${project.basedir}/src/main/resources</directory>
<outputDirectory>/conf</outputDirectory>
</fileSet>
<fileSet>
<directory>${project.build.directory}/lib</directory>
<outputDirectory>/lib</outputDirectory>
<includes>
<include>*.*</include>
</includes>
</fileSet>
<fileSet>
<directory>${project.build.directory}/target/spark-demo-0.1.0.jar</directory>
<outputDirectory>/</outputDirectory>
<includes>
<include>*.*</include>
</includes>
</fileSet>
</fileSets>
</assembly>
最终编译生成的路径如下，这个你会发现还是有很多冗余的jar（需要开发者在pom.xml中仔细排查，设置每个依赖，注意其引入的jar，如果有冲突设置exclude将其排除），可以手动地调整删除不必要的jar：
├── conf
│ ├── conf.properties
│ └── kafka_jaas.conf
└── lib
├── commons-cli-1.2.jar
├── commons-codec-1.9.jar
├── commons-collections-3.2.2.jar
├── commons-httpclient-3.1.jar
├── commons-io-2.4.jar
├── commons-lang-2.6.jar
├── commons-lang3-3.3.2.jar
├── commons-logging-1.2.jar
├── commons-math-2.2.jar
├── disruptor-3.3.0.jar
├── findbugs-annotations-1.3.9-1.jar
├── guava-12.0.1.jar
├── hamcrest-core-1.3.jar
├── hbase-annotations-1.2.6.jar
├── hbase-client-1.2.6.jar
├── hbase-common-1.2.6-tests.jar
├── hbase-common-1.2.6.jar
├── hbase-hadoop-compat-1.2.6.jar
├── hbase-hadoop2-compat-1.2.6.jar
├── hbase-prefix-tree-1.2.6.jar
├── hbase-procedure-1.2.6.jar
├── hbase-protocol-1.2.6.jar
├── hbase-server-1.2.6.jar
├── htrace-core-3.1.0-incubating.jar
├── jackson-core-asl-1.9.13.jar
├── jackson-jaxrs-1.9.13.jar
├── jackson-mapper-asl-1.9.13.jar
├── jcodings-1.0.8.jar
├── jdk.tools-1.8.jar
├── jetty-util-6.1.26.jar
├── jline-0.9.94.jar
├── joni-2.1.2.jar
├── junit-4.12.jar
├── kafka-clients-0.10.0.1.jar
├── log4j-1.2.17.jar
├── lz4-1.3.0.jar
├── metrics-core-2.2.0.jar
├── netty-3.8.0.Final.jar
├── netty-all-4.0.29.Final.jar
├── protobuf-java-2.5.0.jar
├── slf4j-api-1.7.7.jar
├── slf4j-log4j12-1.7.7.jar
├── snappy-java-1.1.2.6.jar
├── spark-streaming-kafka-0-10_2.11-2.0.2.jar
├── unused-1.0.0.jar
└── zookeeper-3.4.6.jar
上述打包问题已经差不多了，后续会逐渐补充，具体使用后面会阐述；
疑惑二、Spark任务提交Yarn队列之正确方式？
这个问题是许多Spark用户都比较纠结的问题，原因在于Spark繁杂的配置项，如果对其理解不透，则在使用的时候，只能一遍遍地试用了。
现对spark-sumbit中几个比较重要的配置，做一个说明：
-
--files : 必须用','相隔，文件会上传至executor的工作路径，默认并没有加载至classpath中，一般使用在配置文件相关；
-
--jars : 必须用','相隔，文件会上传至executor/driver(cluster模式下)的工作路径，默认会加载至classpath中，一般使用在所依赖的jar相关；
-
--class : 加载主类名；
-
--master yarn ： yarn集群的方式提交
-
--queue : 提交yarn队列的名称；
-
--driver-memory : driver申请内存；
-
--executor-memory : executor申请内存；
-
--executor-cores : 每个executor中使用的cores数量，建议2~5个；
- --conf ：spark-submit启动spark任务时配置项内容，其中又包含如下几个比较重要的(示例)：
- --conf "spark.executor.extraJavaOptions=-Djava.security.auth.login.config=./kafka_client_jaas.conf" : executor启动是的jvm配置项，一般kerberos系统配置会使用到；
- --conf spark.yarn.keytab=/etc/security/keytabs/hbase.service.keytab : spark-submit 依赖的keytab配置；
- --conf spark.yarn.principal=hbase/hzadg-mammut-platform1.server.163.org@BDMS.163.COM : spark-submit 启动依赖的principle配置；
- --conf spark.driver.extraClassPath=./spark-demos-0.1.0/lib/* : driver启动时添加jvm的classpath，加载必要的jar；
- --driver-java-options ： driver 启动是的jvm配置项，一般kerberos系统配置会使用到；
所以基于上述的配置项，如果运行KafkaToHBase项目，首先
- 将项目依赖的配置文件加载通过--files保障executor配置项是同步的；
- 将kerberos认证相关内容、相关配置复制到项目路径下(./kafka_client_jaas.conf,./kafka.service.keytab,./hbase-site.xml )；
- 将项目依赖的(Spark/Yarn环境没有提供的jar)通过--jars上传至executor工作路径中；
其中注意，由于--files/--jars针对多个文件都是用','分割的，所以可以使用下面这个命令生成凭借字符串(注意变更必要参数)：
r='';for i in
ls ./lib/;do r=${r},"./lib/$i";done ; echo $r
针对https://github.com/LiShuMing/spark-demos项目，启动如下：
- 编译完毕后，将
target/spark-demos-0.1.0-distribution.tar.gz编译文件mv到工作环境，解压； - 将依赖的
kafka_client_jaas.conf kafka.service.keytab复制到项目路径下； - 基于
r='';for i inls ./lib/;do r=${r},"./lib/$i";done ; echo $r生成--jars必要拼接串；
最终运行命令如下（具体使用需要调整）：
/usr/ndp/current/spark2_client/bin/spark-submit \
--files ./kafka_client_jaas.conf,./kafka.service.keytab,./hbase-site.xml \
--conf "spark.executor.extraJavaOptions=-Djava.security.auth.login.config=./kafka_client_jaas.conf" \
--driver-java-options "-Djava.security.auth.login.config=./kafka_client_jaas.conf" \
--conf spark.yarn.keytab=/etc/security/keytabs/hbase.service.keytab \
--conf spark.yarn.principal=hbase/hzadg-mammut-platform1.server.163.org@BDMS.163.COM \
--conf spark.driver.extraClassPath=./spark-demos-0.1.0/lib/* \
--jars ./lib/commons-cli-1.2.jar,./lib/commons-codec-1.9.jar,./lib/commons-collections-3.2.2.jar,./lib/commons-httpclient-3.1.jar,./lib/commons-io-2.4.jar,./lib/commons-lang-2.6.jar,./lib/commons-lang3-3.3.2.jar,./lib/commons-logging-1.2.jar,./lib/commons-math-2.2.jar,./lib/disruptor-3.3.0.jar,./lib/findbugs-annotations-1.3.9-1.jar,./lib/guava-12.0.1.jar,./lib/hamcrest-core-1.3.jar,./lib/hbase-annotations-1.2.6.jar,./lib/hbase-client-1.2.6.jar,./lib/hbase-common-1.2.6.jar,./lib/hbase-common-1.2.6-tests.jar,./lib/hbase-hadoop2-compat-1.2.6.jar,./lib/hbase-hadoop-compat-1.2.6.jar,./lib/hbase-prefix-tree-1.2.6.jar,./lib/hbase-procedure-1.2.6.jar,./lib/hbase-protocol-1.2.6.jar,./lib/hbase-server-1.2.6.jar,./lib/htrace-core-3.1.0-incubating.jar,./lib/jackson-core-asl-1.9.13.jar,./lib/jackson-jaxrs-1.9.13.jar,./lib/jackson-mapper-asl-1.9.13.jar,./lib/jcodings-1.0.8.jar,./lib/jdk.tools-1.8.jar,./lib/jetty-util-6.1.26.jar,./lib/jline-0.9.94.jar,./lib/joni-2.1.2.jar,./lib/junit-4.12.jar,./lib/kafka-clients-0.10.0.1.jar,./lib/log4j-1.2.17.jar,./lib/lz4-1.3.0.jar,./lib/metrics-core-2.2.0.jar,./lib/netty-3.8.0.Final.jar,./lib/netty-all-4.0.29.Final.jar,./lib/protobuf-java-2.5.0.jar,./lib/slf4j-api-1.7.7.jar,./lib/slf4j-log4j12-1.7.7.jar,./lib/snappy-java-1.1.2.6.jar,./lib/spark-demo-0.1.0.jar,./lib/spark-streaming-kafka-0-10_2.11-2.0.2.jar,./lib/unused-1.0.0.jar,./lib/zookeeper-3.4.6.jar \
--master yarn \
--class com.netease.spark.streaming.hbase.JavaKafkaToHBaseKerberos \
--executor-memory 1g \
--driver-memory 2g \
--executor-cores 1 \
--queue default \
--deploy-mode client ./lib/spark-demo-0.1.0.jar
网友评论