查看Spark任务的详细信息

在学习Spark的过程中，查看任务的DAG、stage、task等详细信息是学习的重要手段，在此做个小结；

环境信息

本文对应的环境信息如下：

1. CentOS Linux release 7.5.1804
2. JDK：1.8.0_191
3. hadoop：2.7.7
4. spark：2.3.2

参考文档(准备环境用到)

搭建hadoop、spark、运行耗时任务，请参考以下文章：

1. 部署hadoop：《Linux部署hadoop2.7.7集群》；
2. on Yarn模式部署Spark集群：《部署Spark2.2集群(on Yarn模式)》；
3. 开发一个比较耗时的计算任务：《spark实战之：分析维基百科网站统计数据(java版)》；

经过以上准备，我们就有了一个可以用的Spark集群环境，并且计算任务也准备好了。

观察运行时任务信息

1. 例如通过执行以下命令启动了一个spark任务：

~/spark-2.3.2-bin-hadoop2.7/bin/spark-submit \
--class com.bolingcavalry.sparkdemo.app.WikiRank \
--executor-memory 2g \
--total-executor-cores 4 \
/home/hadoop/jars/sparkdemo-1.0-SNAPSHOT.jar \
192.168.121.150 \
8020

此时控制台会有以下提示：

2019-10-07 11:03:54 INFO  SparkUI:54 - Bound SparkUI to 0.0.0.0, and started at http://node0:4040

2. 此时用浏览器访问master机器的4040端口，可见信息如下图所示，事件、DAG、stage都有：
   
3. 点击上图中stage的"Description"，即可见到该stage下的所有task信息：
   
4. job运行完成后，控制台有以下信息输出，此时再访问4040端口的webUI服务，发现已经不可访问了：

2019-10-07 11:45:29 INFO  SparkUI:54 - Stopped Spark web UI at http://node0:4040

观察历史任务

job结束后，4040端口提供的webUI服务也停止了，想回看已结束的任务信息需要配置和启动历史任务信息服务：

1. 打开配置文件spark-2.3.2-bin-hadoop2.7/conf/spark-defaults.conf，增加以下三个配置：

spark.eventLog.enabled true
spark.eventLog.dir hdfs://node0:8020/var/log/spark
spark.eventLog.compress true

上述配置中，hdfs://node0:8020是hdfs的服务地址。

2. 打开配置文件spark-env.sh，增加以下一个配置：

export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://node0:8020/var/log/spark"

上述配置中，hdfs://node0:8020是hdfs的服务地址。

3. 在hdfs的namenode执行以下命令，提前创建好日志文件夹：

~/hadoop-2.7.7/bin/hdfs dfs -mkdir -p var/log/spark

4. 启动历史任务服务：

~/spark-2.3.2-bin-hadoop2.7/sbin/start-history-server.sh

5. 此后执行的spark任务信息都会保存下来，访问master机器的18080端口，即可见到所有历史任务的信息，点击查看详情，和前面的运行时任务的内容是一样的：
   
   至此，运行时和历史任务的job详情都可以观察到了，可以帮助我们更好的学习和研究spark。