如題,因有需求,這兩天在弄這個Spark,用的是AWS的EMR,具體是什麼就不解釋了。上面這個問題卡了很久,故在此記錄一下。
- Spark支持多種語言,如Scala、Java、Python、R,我用的是Python。
官方有個叫WordCount的Example,我沒看,直接照着文檔擼代碼。Spark文檔地址
初始化代碼很簡單,如下:
# main.py
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kinesis import KinesisUtils, InitialPositionInStream
aws_access_key_id = 'your-aws-access-key-id'
aws_secret_access_key = 'your-aws-secret-access-key'
if __name__ == '__main__':
sc = SparkContext('local[*]', 'first_test0809')
ssc = StreamingContext(sc, 1)
kinesis_stream = KinesisUtils.createStream(
ssc,
'ssc_kinesis',
'kinesistest',
'https://kinesis.us-west-2.amazonaws.com',
'region-name',
InitialPositionInStream.TRIM_HORIZON,
2,
awsAccessKeyId=aws_access_key_id,
awsSecretKey=aws_secret_access_key
)
kinesis_stream.pprint(500)
ssc.start()
ssc.awaitTermination()
kinesistest
是我創建的一個kinesis streaming,會有源源不斷的數據寫到這個streaming裏,Spark負責處理這個streaming裏的數據。
接下來就是將這個文件部署到EMR上,依然是照着文檔來操作。文檔地址
不得不說,AWS的文檔既簡約又簡單,卻不明瞭,在這個文檔的指引下,沒有一次我是順利走通的。
添加Step的命令:
aws emr add-steps --cluster-id j-2AXXXXXXGAPLF --steps Type=Spark,Name="Spark Program",ActionOnFailure=CONTINUE,Args=[--class,org.apache.spark.examples.SparkPi,/usr/lib/spark/lib/spark-examples.jar,10]
這個命令要分爲兩部分來看,前部分是AWS自身的命令aws emr add-steps
,後部分就是Args
這個參數的值。
因爲部署Spark程序實際上用的是spark-submit
命令,而Args
的值,都會傳給spark-submit
。
前半部分比較簡單,cluster-id
就是在創建EMR集羣后自動生成的id,這裏需要注意的是,創建的EMR集羣必須要設置共有IP,這樣外部機器才能訪問到。Type
固定爲Spark,Name
自己隨便寫,ActionOnFailure
一般都傳CONTINUE,其他可選值可通過aws emr add-steps help
查看。
後半部分的Args
的相關說明在這裏,說的很詳細。
在部署運行之後,會報一些ClassNotFound
的錯誤,這種錯誤不要緊,把缺的jar文件當作參數傳上去就能解決問題。Maven搜索地址1 | Maven搜索地址2
上面的main.py用到了兩個沒有的jar文件,kinesisi和kcl,爲了便於觀看,使用了另一種格式,如下:
aws emr add-steps --cluster-id j-2AXXXXXXGAPLF --steps file://./step.json
將參數都抽取到一個josn文件中:
[
{
"Name": "Spark Program",
"Type": "Spark",
"ActionOnFailure": "CONTINUE",
"Args": [
"--master",
"local",
"--jars",
"local:///home/hadoop/spark-streaming-kinesis-asl_2.11-2.4.3.jar,local:///home/hadoop/amazon-kinesis-client-1.11.1.jar",
"local:///home/hadoop/main.py"
]
}
]
注意,命令中所用到的所有文件,包括jar和py,都需要提前上傳到機器上。具體上傳方法見aws emr put
命令
至此,所有的工作基本完成,你以爲這樣就可以跑起來了嗎?
NO!
最麻煩的問題,就是Spark版本的問題。之前用的最多、最穩定的就是1.6.5版本的,現在最新版已經2.4.3了,裏面變動不小,尤其是Logging
這個類,直接內部化了。
仔細看會發現,上面的kinesis jar文件有兩個版本號:2.11-2.4.3,後面的2.4.3是Spark大版本,前面的是什麼我沒查。在Maven裏,這個版本最新的是2.12,所以最開始的時候我直接用了最新的,因爲網上一直在強調的都是後面的2.4.3這個版本號,結果就出問題了,如題所寫,總是報NoSuchMethodError。
2.0之前的,Logging的位置是org.apache.spark.Logging,2.0之後變成了org.apache.spark.internal.Logging,但我用的都是最新版,爲什麼總說找不到呢?想了想,想了又想,試了各種辦法,都行不通,這個過程持續了一天多,讓人頭大。
後來不知是巧合,還是時候到了,偶然發現cluster機器上spark-core的版本號是2.11-2.4.3,報着嘗試的心態從Maven下了2.11-2.4.3的kinesis jar文件,換上去一跑,哎,就這麼成了。真是氣人。
所以說呢,有些時候解決問題是很簡單的,困難的是發現問題。