apache-spark - 从谷歌云中的 spark worker 获取日志输出

Question

我在谷歌集群中运行一个 spark 作业，我试图在 RDD 映射过程中获取一些日志信息。快速示例:

object LoggerWrapper extends Serializable{
    @transient lazy val logger=Logger.getLogger("myLogger")
}
object Processing{
 ...
    rdd.map(x=>{
       LoggerWrapper.logger.info("processing:"+x)
       foo(x)
    })
   ...
  sparkContext.stop
 }

我遵循描述的方法 here结合找到的方向in the Spark webpage .生成的 log4j.properties 就是最后显示的那个。使用 --files 上传文件gcloud的旗帜命令(如下所示)。我还更新了 yarn-site.xml 文件，以便属性 yarn.log-aggregation-enable设置为 true .

我的第一个问题是，当我从主节点运行时 yarn logs -application <applicationID>我总是收到错误消息“日志聚合尚未完成或未启用。”是否还有其他需要做的事情来收集消息。

第二个问题是，是否有可能在进程运行时在控制台输出中获取所有工作人员的日志消息。例如，如果 spark 作业是流式作业，那么我想在作业运行时获取消息。

log4j.properties:

log4j.appender.myConsoleAppender=org.apache.log4j.ConsoleAppender
log4j.appender.myConsoleAppender.layout=org.apache.log4j.PatternLayout
log4j.appender.myConsoleAppender.layout.ConversionPattern=%d [%t] %-5p %c - %m%n
log4j.appender.RollingAppender=org.apache.log4j.DailyRollingFileAppender
log4j.appender.RollingAppender.File=${spark.yarn.app.container.log.dir}/spark.log
log4j.appender.RollingAppender.DatePattern='.'yyyy-MM-dd
log4j.appender.RollingAppender.layout=org.apache.log4j.PatternLayout
log4j.appender.RollingAppender.layout.ConversionPattern=[%p] %d %c %M - %m%n

log4j.appender.RollingAppenderU=org.apache.log4j.DailyRollingFileAppender
log4j.appender.RollingAppenderU.File=${spark.yarn.app.container.log.dir}/sparkU.log
log4j.appender.RollingAppenderU.DatePattern='.'yyyy-MM-dd
log4j.appender.RollingAppenderU.layout=org.apache.log4j.PatternLayout
log4j.appender.RollingAppenderU.layout.ConversionPattern=[%p] %d %c %M - %m%n


# By default, everything goes to console and file
log4j.rootLogger=INFO, RollingAppender, myConsoleAppender

# My custom logging goes to another file
log4j.logger.myLogger=INFO, RollingAppenderU, myConsoleAppender

# The noisier spark logs go to file only
log4j.logger.spark.storage=INFO, RollingAppender
log4j.additivity.spark.storage=false
log4j.logger.spark.scheduler=INFO, RollingAppender
log4j.additivity.spark.scheduler=false
log4j.logger.spark.CacheTracker=INFO, RollingAppender
log4j.additivity.spark.CacheTracker=false
log4j.logger.spark.CacheTrackerActor=INFO, RollingAppender
log4j.additivity.spark.CacheTrackerActor=false
log4j.logger.spark.MapOutputTrackerActor=INFO, RollingAppender
log4j.additivity.spark.MapOutputTrackerActor=false
log4j.logger.spark.MapOutputTracker=INFO, RollingAppender
log4j.additivty.spark.MapOutputTracker=false

gcloud 命令: gcloud dataproc jobs submit spark --cluster myCluster
--properties spark.driver.memory=1000m,spark.driver.maxResult=512m,spark.executor.memory=1000m --jars gs://path/to/jar/myJar.jar --files /absolute/path/to/local/file/log4j.properties
--class contextual.wikidata.spark.jobs.$1 <application-arguments>

Answer 1

正如您在 ContainerManagerImpl 中看到的那样，是否启用日志聚合的检查在节点管理器代码中:

protected LogHandler createLogHandler(Configuration conf, Context context,
    DeletionService deletionService) {
  if (conf.getBoolean(YarnConfiguration.LOG_AGGREGATION_ENABLED,
      YarnConfiguration.DEFAULT_LOG_AGGREGATION_ENABLED)) {
    return new LogAggregationService(this.dispatcher, context,
        deletionService, dirsHandler);
  } else {
    return new NonAggregatingLogHandler(this.dispatcher, deletionService,
                                        dirsHandler,
                                        context.getNMStateStore());
  }
}

另外似乎是作为初始化的一部分完成的，在第一次创建 LogHandler 实例时；这意味着配置值必须提供给所有工作节点，并且必须在节点管理器启动/重启之前的配置中。

在 Dataproc 中，您无需自己手动修改 yarn-site.xml 文件，您只需在创建集群时使用更简单的 --properties 标志，以及在守护进程服务启动之前，配置 key 将在您的所有节点中正确设置:

gcloud dataproc clusters create my-cluster \
    --properties yarn:yarn.log-aggregation-enable=true

此外，您需要确保以运行作业的同一用户身份运行您的 yarn logs 命令，否则 YARN 将尝试查看错误的 $USER 日志聚合目录中的目录:

sudo yarn logs -applicationId <applicationId>