Spark入门 - History Server配置使用
问题描述
在Spark安装成功后，无论是通过spark-submit工具还是通过Intellij IDEA提交任务，只要在Spark应用程序运行期间，都可以通过WebUI控制台页面来查看具体的运行细节，在浏览器中通过地址：http://即可查看当前的运行状态。但是一旦应用程序运行结束，该Web界面也就失效了，无法继续查看监控集群信息。无法回顾刚刚运行的程序细节，进而定向做出优化，肯定极为不便。
这时候就需要为集群配置Spark History Server了。
注：
Spark History Server
Spark History Server可以很好地解决上面的问题。
通过配置，我们可以在Spark应用程序运行完成后，将应用程序的运行信息写入知道目录，而Spark History Server可以将这些信息装在并以Web形式供用户浏览。
要使用Spark History Server，对于提交应用程序的客户端需要配置以下参数。
Spark History Server配置
下面以Standalone模式为例说明配置信息。更多扩展细节可以根据自己的需求在此基础上添加配置项。
1、首先配置$SPARK_HOME$/conf目录下的spark-defaults.conf文件。
默认spark-defaults.conf是不存在的，我们可以根据Spark提供的template文件新建之。
root@master:/usr/local/spark/spark-1.6.2-bin-hadoop2.6/conf# mv spark-defaults.conf.template spark-defaults.conf
root@master:/usr/local/spark/spark-1.6.2-bin-hadoop2.6/conf# vim spark-defaults.conf并修改文件内容为：
spark.eventLog.enabled true
spark.eventLog.dir hdfs://master:9000/history
spark.eventLog.compress true属性说明
(1) spark.eventLog.enabled。
是否记录Spark事件，用于应用程序在完成后的筹够WebUI。
(2) spark.eventLog.dir。
设置spark.eventLog.enabled为true后，该属性为记录spark时间的根目录。在此根目录中，Spark为每个应用程序创建分目录，并将应用程序的时间记录到此目录中。用户可以将此属性设置为HDFS目录，以便History Server读取。
(3) spark.eventLog.compress。
否压缩记录Spark事件，前提spark.eventLog.enabled为true，默认使用的是snappy。
2、在HDFS中建立存放目录。
上文已经设置好了存放History的目录HDFS文件目录，现在我们在HDFS中建立相应的目录专门存放文件。
root@master:~# hadoop dfs -mkdir /history之后的历史记录都会被存放到这里。
3、配置spark-env.sh文件。
在之前的配置项后面
export SPARK_HISTORY_OPTS="-Dspark.history.ui.port=18080 -Dspark.history.retainedApplications=3 -Dspark.history.fs.logDirectory=hdfs://master:9000/history"属性说明
(1) spark.history.ui.port
WebUI的端口号。默认为18080，也可以自行设置。
(2) spark.history.retainedApplications
设置缓存Cache中保存的应用程序历史记录的个数，默认50，如果超过这个值，旧的将被删除。
注：缓存文件数不表示实际显示的文件总数。只是表示不在缓存中的文件可能需要从硬盘读取，速度稍有差别。
(3) spark.history.fs.logDirectory
存放历史记录文件的目录。可以是Hadoop APIs支持的任意文件系统。
更多配置参考文章末尾的链接。
启动
依次启动Hadoop的start-dfs.sh和Spark的start-all.sh后，再运行start-history-server.sh文件即可启动历史服务。
root@master:/usr/local/spark/spark-1.6.2-bin-hadoop2.6/sbin# ./start-history-server.sh 如果提示文件目录无效，可以直接使用下面的命令指定目录：
root@master:/usr/local/spark/spark-1.6.2-bin-hadoop2.6/sbin# ./start-history-server.sh hdfs://master:9000/history启动后的效果如下（此时尚未运行程序，没有记录显示出来）：
之后在每次应用程序运行结束后，就可以在这里观察刚刚程序的细节了。
小结
应用程序运行时的4040和历史记录的18080WebUI配合使用，可以让我们在运行Spark应用的时候随时监测程序运行状态，并作相应的优化和调节，效果显著。
小问题
不过其中也有一部分小细节尚未解决：如某次程序允许的时候用户选择自行中断，但历史记录中仍然存在该记录，而且最主要的是目前无法删除单项纪录。这就显得很繁琐了，如果需要对多项历史记录进行对比分析，就不得不先在很多的记录中筛选出哪些是有用记录，哪些是无用记录，费时费力。
虽然官方提供了如spark.history.fs.cleaner.interval和spark.history.fs.cleaner.maxAge配置项，但依然不能很好地解决这一问题。
期待后续有更好的解决方案出现。
参考文章
- Spark Monitoring and Instrumentation—http://spark.apache.org/docs/latest/monitoring.html