apache-spark - 如何使用 yarn-cluster master 获取进度条(带有阶段和任务)？

Question

使用以下内容运行 Spark Shell 查询时:

spark-shell yarn --name myQuery -i ./my-query.scala

在我的查询中是简单的 Spark SQL 查询，我在其中读取 Parquet 文件并运行简单查询并写出 Parquet 文件。运行这些查询时，我会得到一个不错的进度条，如下所示:

[Stage7:===========>                              (14174 + 5) / 62500]

当我使用完全相同的查询创建一个 jar 并使用以下命令行运行它时:

spark-submit \
  --master yarn-cluster \
  --driver-memory 16G \
  --queue default \
  --num-executors 5 \
  --executor-cores 4 \
  --executor-memory 32G \
  --name MyQuery \
  --class com.data.MyQuery \
  target/uber-my-query-0.1-SNAPSHOT.jar 

我没有得到任何这样的进度条。该命令只是反复说

17/10/20 17:52:25 INFO yarn.Client: Application report for application_1507058523816_0443 (state: RUNNING)

查询工作正常，结果也很好。但我只需要在流程完成时获得反馈。我尝试了以下方法。

RUNNING Hadoop Applications 的网页确实有进度条，但基本不动。即使在 spark-shell 查询的情况下，进度条也是无用的。

我尝试通过 YARN 日志获取进度条，但在作业完成之前它们不会聚合。即使这样，日志中也没有进度条。

有没有办法在集群上的 jar 中启动 spark 查询并有进度条？

Answer 1

When I create a jar using the exact same query and run it with the following command-line (...) I don't get any such progress bar.

这两个看似相似的 Spark 执行之间的区别在于主 URL。

在以前的 Spark 执行中 spark-shell yarn ，主人是中的YARN客户部署模式，即驱动程序在您启动的机器上运行 spark-shell从。

在后面的 Spark 执行中使用 spark-submit --master yarn-cluster ，主人是中的YARN集群 部署模式(实际上相当于 --master yarn --deploy-mode cluster )，即驱动程序在 YARN 节点上运行。

话虽如此，您不会在本地机器上获得不错的进度条(实际上称为 ConsoleProgressBar )，而是在驱动程序运行的机器上。

一个简单的解决方案是替换 yarn-cluster与 yarn .

控制台进度条 显示事件阶段到标准错误的进度，即 stderr .

进度包括阶段 ID、已完成、事件和总任务数。

ConsoleProgressBar 是在 时创建的spark.ui.showConsoleProgress Spark 属性已打开，日志级别为 org.apache.spark.SparkContext 记录器是 WARN或更高(即打印出的消息较少，因此 ConsoleProgressBar 有一个“空间”)。

您可以在掌握 Apache Spark 2 的 ConsoleProgressBar 中找到更多信息。 .