Java Web提交任务到Spark Spark通过Java Web提交任务

http://blog.csdn.net/fansy1990/article/details/48001013

相关软件版本：

Spark1.4.1 ，Hadoop2.6，Scala2.10.5 , MyEclipse2014，intelliJ IDEA14，JDK1.8，Tomcat7

机器：

windows7 （包含JDK1.8，MyEclipse2014，IntelliJ IDEA14，TOmcat7）；

centos6.6虚拟机（Hadoop伪分布式集群，Spark standAlone集群，JDK1.8）；

centos7虚拟机（Tomcat，JDK1.8）；

1. 场景：

1. windows简单Java程序调用Spark，执行Scala开发的Spark程序，这里包含两种模式：

    1> 提交任务到Spark集群，使用standAlone模式执行；

    2> 提交任务到Yarn集群，使用yarn-client的模式；

2. windows 开发Java web程序调用Spark，执行Scala开发的Spark程序，同样包含两种模式，参考1.

3. Linux运行java web程序调用Spark，执行Scala开发的Spark程序，包含两种模式，参考1.

2. 实现：

1. 简单Scala程序，该程序的功能是读取HDFS中的log日志文件，过滤log文件中的WARN和ERROR的记录，最后把过滤后的记录写入到HDFS中，代码如下：

 import org.apache.spark.{SparkConf, SparkContext}


 /**
  * Created by Administrator on 2015/8/23.
  */
 object Scala_Test {
   def main(args:Array[String]): Unit ={
     if(args.length!=2){
       System.err.println("Usage:Scala_Test  ")
     }
     // 初始化SparkConf
     val conf = new SparkConf().setAppName("Scala filter")
     val sc = new SparkContext(conf)

     //  读入数据
     val lines = sc.textFile(args(0))

     // 转换
     val errorsRDD = lines.filter(line => line.contains("ERROR"))
     val warningsRDD = lines.filter(line => line.contains("WARN"))
     val  badLinesRDD = errorsRDD.union(warningsRDD)

     // 写入数据
     badLinesRDD.saveAsTextFile(args(1))

     // 关闭SparkConf
     sc.stop()
   }
 }

使用IntelliJ IDEA 并打成jar包备用（lz这里命名为spark_filter.jar）;

2.  java调用spark_filter.jar中的Scala_Test 文件，并采用Spark standAlone模式，java代码如下：

 package test;

 import java.text.SimpleDateFormat;
 import java.util.Date;

 import org.apache.spark.deploy.SparkSubmit;
 /**
  * @author fansy
  *
  */
 public class SubmitScalaJobToSpark {

     public static void main(String[] args) {
         SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd-hh-mm-ss");
         String filename = dateFormat.format(new Date());
         String tmp=Thread.currentThread().getContextClassLoader().getResource("").getPath();
         tmp =tmp.substring(0, tmp.length()-8);
         String[] arg0=new String[]{
                 "--master","spark://node101:7077",
                 "--deploy-mode","client",
                 "--name","test java submit job to spark",
                 "--class","Scala_Test",
                 "--executor-memory","1G",
 //              "spark_filter.jar",
                 tmp+"lib/spark_filter.jar",//
                 "hdfs://node101:8020/user/root/log.txt",
                 "hdfs://node101:8020/user/root/badLines_spark_"+filename
         };

         SparkSubmit.main(arg0);
     }
 }

具体操作，使用MyEclipse新建java web工程，把spark_filter.jar 以及spark-assembly-1.4.1-hadoop2.6.0.jar（该文件在Spark压缩文件的lib目录中，同时该文件较大，拷贝需要一定时间） 拷贝到WebRoot/WEB-INF/lib目录。（注意：这里可以直接建立java web项目，在测试java调用时，直接运行java代码即可，在测试web项目时，开启tomcat即可）

java调用spark_filter.jar中的Scala_Test 文件，并采用Yarn模式。采用Yarn模式，不能使用简单的修改master为“yarn-client”或“yarn-cluster”，在使用Spark-shell或者spark-submit的时候，使用这个，同时配置HADOOP_CONF_DIR路径是可以的，但是在这里，读取不到HADOOP的配置，所以这里采用其他方式，使用yarn.Clent提交的方式，java代码如下：

 package test;

 import java.text.SimpleDateFormat;
 import java.util.Date;

 import org.apache.hadoop.conf.Configuration;
 import org.apache.spark.SparkConf;
 import org.apache.spark.deploy.yarn.Client;
 import org.apache.spark.deploy.yarn.ClientArguments;

 public class SubmitScalaJobToYarn {

     public static void main(String[] args) {
         SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd-hh-mm-ss");
         String filename = dateFormat.format(new Date());
         String tmp=Thread.currentThread().getContextClassLoader().getResource("").getPath();
         tmp =tmp.substring(0, tmp.length()-8);
         String[] arg0=new String[]{
                 "--name","test java submit job to yarn",
                 "--class","Scala_Test",
                 "--executor-memory","1G",
 //              "WebRoot/WEB-INF/lib/spark_filter.jar",//
                 "--jar",tmp+"lib/spark_filter.jar",//

                 "--arg","hdfs://node101:8020/user/root/log.txt",
                 "--arg","hdfs://node101:8020/user/root/badLines_yarn_"+filename,
                 "--addJars","hdfs://node101:8020/user/root/servlet-api.jar",//
                 "--archives","hdfs://node101:8020/user/root/servlet-api.jar"//
         };

 //      SparkSubmit.main(arg0);
         Configuration conf = new Configuration();
         String os = System.getProperty("os.name");
         boolean cross_platform =false;
         if(os.contains("Windows")){
             cross_platform = true;
         }
         conf.setBoolean("mapreduce.app-submission.cross-platform", cross_platform);// 配置使用跨平台提交任务
         conf.set("fs.defaultFS", "hdfs://node101:8020");// 指定namenode
         conf.set("mapreduce.framework.name","yarn"); // 指定使用yarn框架
         conf.set("yarn.resourcemanager.address","node101:8032"); // 指定resourcemanager
         conf.set("yarn.resourcemanager.scheduler.address", "node101:8030");// 指定资源分配器
         conf.set("mapreduce.jobhistory.address","node101:10020");

          System.setProperty("SPARK_YARN_MODE", "true");

          SparkConf sparkConf = new SparkConf();
          ClientArguments cArgs = new ClientArguments(arg0, sparkConf);

         new Client(cArgs,conf,sparkConf).run();
     }
 }

3. java web测试 任务提交到Spark的两种模式，这里采用最简单的方式，直接配置servlet，其web.xml文件如下：

 xml version="1.0" encoding="UTF-8"?>
 <web-app version="3.0"
     xmlns="http://java.sun.com/xml/ns/javaee"
     xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
     xsi:schemaLocation="http://java.sun.com/xml/ns/javaee http://java.sun.com/xml/ns/javaee/web-app_3_0.xsd">
   <servlet>
     <description>This is the description of my J2EE componentdescription>
     <display-name>This is the display name of my J2EE componentdisplay-name>
     <servlet-name>SparkServletservlet-name>
     <servlet-class>servlet.SparkServletservlet-class>
   servlet>
   <servlet>
     <description>This is the description of my J2EE componentdescription>
     <display-name>This is the display name of my J2EE componentdisplay-name>
     <servlet-name>YarnServletservlet-name>
     <servlet-class>servlet.YarnServletservlet-class>
   servlet>


   <servlet-mapping>
     <servlet-name>SparkServletservlet-name>
     <url-pattern>/servlet/SparkServleturl-pattern>
   servlet-mapping>
   <servlet-mapping>
     <servlet-name>YarnServletservlet-name>
     <url-pattern>/servlet/YarnServleturl-pattern>
   servlet-mapping>

 web-app>

SparkServlet如下：

 package servlet;

 import java.io.IOException;
 import java.io.PrintWriter;

 import javax.servlet.ServletException;
 import javax.servlet.http.HttpServlet;
 import javax.servlet.http.HttpServletRequest;
 import javax.servlet.http.HttpServletResponse;

 import test.SubmitScalaJobToSpark;

 public class SparkServlet extends HttpServlet {

     /**
      * Constructor of the object.
      */
     public SparkServlet() {
         super();
     }

     /**
      * Destruction of the servlet.
      */
     public void destroy() {
         super.destroy(); // Just puts "destroy" string in log
         // Put your code here
     }

     /**
      * The doGet method of the servlet.
      *
      * This method is called when a form has its tag value method equals to get.
      *
      * @param request the request send by the client to the server
      * @param response the response send by the server to the client
      * @throws ServletException if an error occurred
      * @throws IOException if an error occurred
      */
     public void doGet(HttpServletRequest request, HttpServletResponse response)
             throws ServletException, IOException {

         this.doPost(request, response);
     }

     /**
      * The doPost method of the servlet.
      *
      * This method is called when a form has its tag value method equals to post.
      *
      * @param request the request send by the client to the server
      * @param response the response send by the server to the client
      * @throws ServletException if an error occurred
      * @throws IOException if an error occurred
      */
     public void doPost(HttpServletRequest request, HttpServletResponse response)
             throws ServletException, IOException {
         System.out.println("开始SubmitScalaJobToSpark调用......");
         SubmitScalaJobToSpark.main(null);
         //YarnServlet也只是这里不同
         System.out.println("完成SubmitScalaJobToSpark调用！");
         response.setContentType("text/html");
         PrintWriter out = response.getWriter();
         out.println("");
         out.println("");
         out.println("  A Servlet");
         out.println("  ");
         out.print("    This is ");
         out.print(this.getClass());
         out.println(", using the POST method");
         out.println("  ");
         out.println("");
         out.flush();
         out.close();
     }

     /**
      * Initialization of the servlet.
      *
      * @throws ServletException if an error occurs
      */
     public void init() throws ServletException {
         // Put your code here
     }

 }

这里只是调用了java编写的任务调用类而已。同时，SparServlet和YarnServlet也只是在调用的地方不同而已。

在web测试时，首先直接在MyEclipse上测试，然后拷贝工程WebRoot到centos7，再次运行tomcat，进行测试。

3. 总结及问题

1. 测试结果：

   1> java代码直接提交任务到Spark和Yarn，进行日志文件的过滤，测试是成功运行的。可以在Yarn和Spark的监控中看到相关信息：

同时，在HDFS可以看到输出的文件：

2> java web 提交任务到Spark和Yarn，首先需要把spark-assembly-1.4.1-hadoop2.6.0.jar中的javax.servlet文件夹删掉，因为会和tomcat的servlet-api.jar冲突。

    a. 在windows和linux上启动tomcat，提交任务到Spark standAlone，测试成功运行；

    b. 在windows和linux上启动tomcat，提交任务到Yarn，测试失败；

2. 遇到的问题：

    1> java web 提交任务到Yarn，会失败，失败的主要日志如下：

 15/08/25 11:35:48 ERROR yarn.ApplicationMaster: User class threw exception: java.lang.NoClassDefFoundError: javax/servlet/http/HttpServletResponse
 java.lang.NoClassDefFoundError: javax/servlet/http/HttpServletResponse

这个是因为javax.servlet的包被删掉了，和tomcat的冲突。

同时，在日志中还可以看到：

 15/08/26 12:39:27 INFO Client: Setting up container launch context for our AM
 15/08/26 12:39:27 INFO Client: Preparing resources for our AM container
 15/08/26 12:39:27 INFO Client: Uploading resource file:/D:/workspase_scala/SparkWebTest/WebRoot/WEB-INF/lib/spark-assembly-1.4.1-hadoop2.6.0.jar -> hdfs://node101:8020/user/Administrator/.sparkStaging/application_1440464833795_0012/spark-assembly-1.4.1-hadoop2.6.0.jar
 15/08/26 12:39:32 INFO Client: Uploading resource file:/D:/workspase_scala/SparkWebTest/WebRoot/WEB-INF/lib/spark_filter.jar -> hdfs://node101:8020/user/Administrator/.sparkStaging/application_1440464833795_0012/spark_filter.jar
 15/08/26 12:39:33 INFO Client: Uploading resource file:/C:/Users/Administrator/AppData/Local/Temp/spark-46820caf-06e0-4c51-a479-3bb35666573f/__hadoop_conf__5465819424276830228.zip -> hdfs://node101:8020/user/Administrator/.sparkStaging/application_1440464833795_0012/__hadoop_conf__5465819424276830228.zip
 15/08/26 12:39:33 INFO Client: Source and destination file systems are the same. Not copying hdfs://node101:8020/user/root/servlet-api.jar
 15/08/26 12:39:33 WARN Client: Resource hdfs://node101:8020/user/root/servlet-api.jar added multiple times to distributed cache.

这里在环境初始化的时候，上传了两个jar，一个就是spark-assembly-1.4.1-hadoop2.6.0.jar 还有一个就是我们自定义的jar。上传的spark-assembly-1.4.1-hadoop2.6.0.jar 里面没有javax.servlet的文件夹，所以会报错。在java中直接调用（没有删除javax.servlet的时候）同样会看到这样的日志，同样的上传，那时是可以的，也就是说这里确实是删除了包文件夹的关系。那么如何修复呢？

上传servlet-api到hdfs，同时在使用yarn.Client提交任务的时候，添加相关的参数，这里查看参数，发现两个比较相关的参数，--addJars以及--archive 参数，把这两个参数都添加后，看到日志中确实把这个jar包作为了job的共享文件，但是java web提交任务到yarn 还是报这个类找不到的错误。所以这个办法也是行不通！(可以参考http://blog.csdn.NET/fansy1990/article/details/52289826中的部署部分解决这个问题)

使用yarn.Client提交任务到Yarn参考http://blog.sequenceiq.com/blog/2014/08/22/spark-submit-in-java/ 。

http://blog.csdn.net/u010022051/article/details/48240173

相关软件版本：

Spark1.4.1 ，Hadoop2.6，Scala2.10.5 , MyEclipse2014，intelliJ IDEA14，JDK1.8，Tomcat7

机器：

windows7 （包含JDK1.8，MyEclipse2014，IntelliJ IDEA14，TOmcat7）；

centos6.6虚拟机（Hadoop伪分布式集群，Spark standAlone集群，JDK1.8）；

centos7虚拟机（Tomcat，JDK1.8）；

1. 场景：
1. windows简单java程序调用Spark，执行Scala开发的Spark程序，这里包含两种模式：

    1> 提交任务到Spark集群，使用standAlone模式执行；

    2> 提交任务到Yarn集群，使用yarn-client的模式；

2. windows 开发java web程序调用Spark，执行Scala开发的Spark程序，同样包含两种模式，参考1.

3. linux运行java web程序调用Spark，执行Scala开发的Spark程序，包含两种模式，参考1.



2. 实现：
1. 简单Scala程序，该程序的功能是读取HDFS中的log日志文件，过滤log文件中的WARN和ERROR的记录，最后把过滤后的记录写入到HDFS中，代码如下：

[Bash shell]  纯文本查看  复制代码

01 import org.apache.spark.{SparkConf, SparkContext}
02
03
04 /**
05  * Created by Administrator on 2015/8/23.
06  */
07 object Scala_Test {
08   def main(args:Array[String]): Unit ={
09     if(args.length!=2){
10       System.err.println("Usage:Scala_Test ")
11     }
12     // 初始化SparkConf
13     val conf = new SparkConf().setAppName("Scala filter")
14     val sc = new SparkContext(conf)
15
16     //  读入数据
17     val lines = sc.textFile(args(0))
18
19     // 转换
20     val errorsRDD = lines.filter(line => line.contains("ERROR"))
21     val warningsRDD = lines.filter(line => line.contains("WARN"))
22     val  badLinesRDD = errorsRDD.union(warningsRDD)
23
24     // 写入数据
25     badLinesRDD.saveAsTextFile(args(1))
26
27     // 关闭SparkConf
28     sc.stop()
29   }
30 }

使用IntelliJ IDEA 并打成jar包备用（lz这里命名为spark_filter.jar）;

2.  java调用spark_filter.jar中的Scala_Test 文件，并采用Spark standAlone模式

java代码如下：

[Java]  纯文本查看  复制代码

01 package test;
02
03 import java.text.SimpleDateFormat;
04 import java.util.Date;
05
06 import org.apache.spark.deploy.SparkSubmit;
07 /**
08  * @author fansy
09  *
10  */
11 public class SubmitScalaJobToSpark {
12
13     public static void main(String[] args) {
14         SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd-hh-mm-ss");
15         String filename = dateFormat.format(new Date());
16         String tmp=Thread.currentThread().getContextClassLoader().getResource("").getPath();
17         tmp =tmp.substring(0, tmp.length()-8);
18         String[] arg0=new String[]{
19                 "--master","spark://node101:7077",
20                 "--deploy-mode","client",
21                 "--name","test java submit job to spark",
22                 "--class","Scala_Test",
23                 "--executor-memory","1G",
24 //              "spark_filter.jar",
25                 tmp+"lib/spark_filter.jar",//
26                 "hdfs://node101:8020/user/root/log.txt",
27                 "hdfs://node101:8020/user/root/badLines_spark_"+filename
28         };
29
30         SparkSubmit.main(arg0);
31     }
32 }

具体操作，使用MyEclipse新建java web工程，把spark_filter.jar 以及spark-assembly-1.4.1-hadoop2.6.0.jar（该文件在Spark压缩文件的lib目录中，同时该文件较大，拷贝需要一定时间） 拷贝到WebRoot/WEB-INF/lib目录。（注意：这里可以直接建立java web项目，在测试java调用时，直接运行java代码即可，在测试web项目时，开启tomcat即可）
java调用spark_filter.jar中的Scala_Test 文件，并采用Yarn模式。采用Yarn模式，不能使用简单的修改master为“yarn-client”或“yarn-cluster”，在使用Spark-shell或者spark-submit的时候，使用这个，同时配置HADOOP_CONF_DIR路径是可以的，但是在这里，读取不到HADOOP的配置，所以这里采用其他方式，使用yarn.Clent提交的方式，java代码如下：

[Java]  纯文本查看  复制代码

01 package test;
02
03 import java.text.SimpleDateFormat;
04 import java.util.Date;
05
06 import org.apache.hadoop.conf.Configuration;
07 import org.apache.spark.SparkConf;
08 import org.apache.spark.deploy.yarn.Client;
09 import org.apache.spark.deploy.yarn.ClientArguments;
10
11 public class SubmitScalaJobToYarn {
12
13     public static void main(String[] args) {
14         SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd-hh-mm-ss");
15         String filename = dateFormat.format(new Date());
16         String tmp=Thread.currentThread().getContextClassLoader().getResource("").getPath();
17         tmp =tmp.substring(0, tmp.length()-8);
18         String[] arg0=new String[]{
19                 "--name","test java submit job to yarn",
20                 "--class","Scala_Test",
21                 "--executor-memory","1G",
22 //              "WebRoot/WEB-INF/lib/spark_filter.jar",//
23                 "--jar",tmp+"lib/spark_filter.jar",//
24
25                 "--arg","hdfs://node101:8020/user/root/log.txt",
26                 "--arg","hdfs://node101:8020/user/root/badLines_yarn_"+filename,
27                 "--addJars","hdfs://node101:8020/user/root/servlet-api.jar",//
28                 "--archives","hdfs://node101:8020/user/root/servlet-api.jar"//
29         };
30
31 //      SparkSubmit.main(arg0);
32         Configuration conf = new Configuration();
33         String os = System.getProperty("os.name");
34         boolean cross_platform =false;
35         if(os.contains("Windows")){
36             cross_platform = true;
37         }
38         conf.setBoolean("mapreduce.app-submission.cross-platform", cross_platform);// 配置使用跨平台提交任务
39         conf.set("fs.defaultFS", "hdfs://node101:8020");// 指定namenode
40         conf.set("mapreduce.framework.name","yarn"); // 指定使用yarn框架
41         conf.set("yarn.resourcemanager.address","node101:8032"); // 指定resourcemanager
42         conf.set("yarn.resourcemanager.scheduler.address", "node101:8030");// 指定资源分配器
43         conf.set("mapreduce.jobhistory.address","node101:10020");
44
45          System.setProperty("SPARK_YARN_MODE", "true");
46
47          SparkConf sparkConf = new SparkConf();
48          ClientArguments cArgs = new ClientArguments(arg0, sparkConf);
49
50         new Client(cArgs,conf,sparkConf).run();
51     }
52 }

SparkServlet如下：

[Java]  纯文本查看  复制代码

01 package servlet;
02
03 import java.io.IOException;
04 import java.io.PrintWriter;
05
06 import javax.servlet.ServletException;
07 import javax.servlet.http.HttpServlet;
08 import javax.servlet.http.HttpServletRequest;
09 import javax.servlet.http.HttpServletResponse;
10
11 import test.SubmitScalaJobToSpark;
12
13 public class SparkServlet extends HttpServlet {
14
15     /**
16      * Constructor of the object.
17      */
18     public SparkServlet() {
19         super();
20     }
21
22     /**
23      * Destruction of the servlet.
24      */
25     public void destroy() {
26         super.destroy(); // Just puts "destroy" string in log
27         // Put your code here
28     }
29
30     /**
31      * The doGet method of the servlet.
32      *