搭建Spark源码研读和代码调试的开发环境

Note：

环境的基本配置可以参考我这里转载的这篇文章，当然我自己尝试的时候还是会出现其它的问题，如果有，那么参考下面两篇文章的案例：

https://blog.51cto.com/wangyuguo/1981837

https://www.mail-archive.com/[email protected]&q=subject:%22Build+error%22&o=newest&f=1

搞定之后，终于就可以抛开为了写业务而写业务Spark代码的烦恼，静静地研究Spark的底层原理吧！

---

转载自https://github.com/linbojin/spark-notes/blob/master/ide-setup.md

搭建Spark源码研读和代码调试的开发环境

工欲善其事，必先利其器，第一篇笔记介绍如何搭建源码研读和代码调试的开发环境。 一些必要的开发工具，请自行提前安装：

• scala 2.11.8

• sbt 0.13.12

• maven 3.3.9

• git 2.10.2

• IntelliJ IDEA 2016.3 (scala plugin)

本人使用macOS 10.12，所有笔记都基于这个系统，但是其他系统也可以很容易找到对应的解决方案，比如IDE的快捷键。

源码获取与编译

从Github上获取Spark源码

可以直接从Spark官方Github仓库拉取。本系列笔记基于Spark 2.1.0这个版本，所以先checkout这个tag，再进行之后的步骤：

$ git clone [email protected]:apache/spark.git
$ cd spark
$ git tag
$ git checkout v2.1.0
$ git checkout -b pin-tag-210

如果想要push自己的commits，也可以fork到自己的Github账号下，再拉取到本地，可以参考我之前的文章：Reading Spark Souce Code in IntelliJ IDEA

编译Spark项目

参考官方文档，编译很简单，这里使用4个线程，跳过tests，以此加速编译。这个编译会产生一些必要的源代码，如Catalyst项目下的，所以是必要的一步：

$ ./build/mvn -T 4 -DskipTests clean package# 编译完成后，测试一下
$ ./bin/spark-shell

源码导入与代码运行

导入源码到Intellij IDEA 16

现在IDEA对scala支持已经比较完善，导入Spark工程非常简单：

Menu -> File -> Open -> {spark dir}/pom.xml -> Open as Project

运行实例代码

导入工程后，介绍一下如何运行Spark项目自带的实例代码，在{spark dir}/examples/目录下，这里以LogQuery为例：

command + o -> 输入LogQuery打开

1. 配置运行参数：

Menu -> Run -> Edit Configurations -> 选择 + -> Application

参数配置如下：  VM options: -Dspark.master=local代表使用本地模式运行Spark代码，也可以选择其他模式。 保存配置后，可以看到LogQuery在运行选项里了： 

2. 添加缺失的flume sink源代码

首次运行LogQuery会报错，因为IDE找不到flume依赖的部分源码：  解决方案如下：

Menu -> File -> Project Structure -> Modules -> spark-streaming-flume-sink_2.11 -> Sources

1. 把 target目录加入Sources（点击蓝色Sources）

2. 把子目录sink也加入Sources

参考下图，注意右边的Source Folders列表： 

3. 添加运行依赖的jars

再次运行，这次会花费比较长的时间，因为已经可以成功编译LogQuery啦，但是还是没能运行成功，报错如下：  不要慌，这说明你的代码编译已经成功啦，运行出错的原因是，运行Spark App一般都是通过spark-submit命令，把你的jar运行到已经安装的Spark环境里，也就是所有的Spark依赖都已经有啦，现在你用IDE的方式，就会缺少依赖。

解决方案如下：

Menu -> File -> Project Structure -> Modules -> spark-examples_2.11 -> Dependencies 添加依赖 jars -> {spark dir}/spark/assembly/target/scala-2.11/jars/

有两点需要注意：

• jars/*.jar: 这些依赖jars是在第一步编译打包Spark项目的时候产生的，如果这个目录是空的，或者修改了源代码想更新这些jars，可以用同样的命令再次编译Spark：

$ build/mvn -T 4 -DskipTests clean package

• 从上图中右侧的Scope一栏可以看到，基本上所有依赖jars都是Provided，也就是说默认都是提供的，因为默认都是用spark-submit方式运行Spark App的。

4. 成功运行实例代码

终于再次运行LogQuery的时候，可以看到输出啦： 

单步调试源代码

千辛万苦地终于让实例代码在IDE里跑起来了，是不是很有成就感。其实做了那么多的铺垫工作，在IDE里面运行代码的最大福利是可以单步调试！ 很简单，选择断点，然后Run -> Debug，可以看到中间变量值等等，其他的自行探索吧: