[置顶] Spark应用远程调试

本来想用Eclipse的，然而在网上找了一圈，发现大家都在说IntelliJ如何如何好。我也受到了鼓舞，遂决定在这台破机器上鼓捣一次IntelliJ吧。

Spark程序远程调试，就是将本地IDE连接到Spark集群中，让程序一边运行，一边通过debuger实时查看运行情况，配置好以后和本地debug差不多。

之前有写过Spark集群的安装部署。http://blog.csdn.net/u013468917/article/details/50979184当时是在hadoop2.2.0平台部署的Spark1.0.2.后来对Spark熟悉了一点后，就想把集群升级以下。干脆一部到位升级到最新的1.6.1.具体的安装过程和原来的1.0.2一模一样，解压之后将原来安装文件中的conf文件夹下的配置文件直接复制过来就好了，不过用的是hadoop2.3.0的预编译包，目前还没有出现什么问题。

所以这次的演示在Spark集群1.6.1上进行。

过程大致分为以下几步：

1、打开Intellij IDEA，File->New ->Project，选择Scala。

2、取名为TopK，然后如图选择Java和Scala的SDK/

3、导入Spark依赖包，这个依赖包在压缩包的lib目录下名为 spark-assembly-XXXXXXX.jar

点击File-project structure-Libraries 点击加号选择Java

然后选择依赖包路径即可。

4、在src文件夹上右击-new-Scala Class，然后填上类名，选择object

5、在文件中填入以下内容

import org.apache.spark._
import org.apache.spark.SparkContext._
object TopK {
  def main(args: Array[String]){
    val conf = new SparkConf()
    val sc = new SparkContext(conf)
    
    val textRDD = sc.textFile(args(0),3)
    
    val count = textRDD.flatMap(line => line.split("[^a-zA-Z]+").map(word=> (word,1))).reduceByKey(_+_)
    
    val topk = count.mapPartitions(getTopk).collect()  
    
    val iter = topk.iterator
    val outiter = getTopk(iter)
    println("Topk的值：")
    while(outiter.hasNext){
      val tmp = outiter.next()
      println("\n词： " + tmp._1 + "词频: " + tmp._2)
    }
    sc.stop()
  }  
  
  def getTopk(iter: Iterator[(String, Int)]): Iterator[(String, Int)] = {
    val a = new Array[(String, Int)](10)
    while(iter.hasNext){
      val tmp = iter.next()
      var flag = true
      for(i <- 0 until a.length if flag){
        if(a(i) !=null && tmp._2 > a(i)._2){
          for(j <- ((i+1) until a.length).reverse){a(j) = a(j-1)}
          a(i) = tmp
          flag = false
        }else if(a(i) == null){
          a(i) = tmp
          flag = false
        }
        
      }
    }
    a.iterator
  }
  
}

这是一个TopK程序，目的是找出文本中词频最高的10个词。

6、导出jar包

可能是我还不熟悉的原因，个人感觉IntelliJ导jar包比eclipse繁琐很多。

选择：File-Project Structure-Artifacts 然后点击加号，选择jar-From Modules with dependencies

然后选择Main Class为TopK，选择copy to the outputXXXXXXX点击OK。

接下来选择Build-Build Artifacts-选择build

build完成后在out文件夹下就能够看到TopK.jar了。然后将TopK.jar上传到集群主节点中。

到这里，步骤和普通应用开发一样，接下来才是重点。

7、集群配置

修改spark-class脚本 ，这个脚本在spark安装目录下的bin目录中。

修改最后两行：

done < <("$RUNNER" -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main "$@")

修改为：

done < <("$RUNNER" -cp "$LAUNCH_CLASSPATH" org.apache.spark.launcher.Main $JAVA_OPTS "$@")

这就要求Spark在执行任务之前将JAVA_OPTS变量考虑进来。我们就可以为应用程序添加JVM参数啦。

修改完成后，在命令行中执行以下命令：

export JAVA_OPTS="$JAVA_OPTS -Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=y,address=5005"

这就设置好了当前的临时JVM变量。

8、远程调试开始了

首先，运行刚才上传的TopK.jar

/cloud/spark-1.6.1-bin-hadoop2.3/bin/spark-submit --class TopK --master yarn TopK.jar /Spark/Jane1.txt

这时可以看到：

说明spark正在监听5005端口，这个端口可以自己随便设，不冲突就行，但是IntelliJ默认监听这个端口。

然后回到IDEA，选择run-Edit Configuration，点击左上角的加号，选择remote，自己取个名字Test_Remote_Debug，修改一下Host，我的集群master地址是192.168.1.131

点击ok

在刚才的TopK程序中设置一个断点。

然后按F9，选择Test_Remote_Debug。

这是如果不出意外，控制台会出现

Connected to the target VM, address: '192.168.1.131:5005', transport: 'socket'

表示连接成功。接下来就可以和本地Debug一样了。

最后再啰嗦一下那个“JAVA_OPTS"字段是什么意思。

-Xdebug 启用调试特性
-Xrunjdwp 启用JDWP实现，包含若干子选项：
transport=dt_socket JPDA front-end和back-end之间的传输方法。dt_socket表示使用套接字传输。
address=5005 JVM在5005端口上监听请求，这个设定为一个不冲突的端口即可。
server=y y表示启动的JVM是被调试者。如果为n，则表示启动的JVM是调试器。
suspend=y y表示启动的JVM会暂停等待，直到调试器连接上才继续执行。suspend=n，则JVM不会暂停等待。