如标题所料,我在将 spark 作业提交到运行在 docker 上的 spark 集群时遇到了一些问题。
我在 scala 中编写了一个非常简单的 spark 作业,订阅了一个 kafka 服务器,安排了一些数据并将这些数据存储在 elastichsearch 数据库中。 kafka 和 elasticsearch 已经在 docker 中运行。
如果我在我的开发环境 (Windows/IntelliJ) 中从我的 Ide 运行 spark 作业,一切都会完美运行。
然后(我根本不是 Java 专家),我按照以下说明添加了一个 spark 集群:https://github.com/big-data-europe/docker-spark
在查看其仪表板时,集群看起来很健康。我创建了一个由 master 和 worker 组成的集群。
现在,这是我用 scala 编写的工作:
import java.io.Serializable
import org.apache.commons.codec.StringDecoder
import org.apache.hadoop.fs.LocalFileSystem
import org.apache.hadoop.hdfs.DistributedFileSystem
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark
import org.apache.spark.SparkConf
import org.elasticsearch.spark._
import org.apache.spark.sql.SQLContext
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, KafkaUtils}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import scala.util.parsing.json.JSON
object KafkaConsumer {
def main(args: Array[String]): Unit = {
val sc = new SparkConf()
.setMaster("local[*]")
.setAppName("Elastic Search Indexer App")
sc.set("es.index.auto.create", "true")
val elasticResource = "iot/demo"
val ssc = new StreamingContext(sc, Seconds(10))
//ssc.checkpoint("./checkpoint")
val kafkaParams = Map(
"bootstrap.servers" -> "kafka:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"auto.offset.reset" -> "earliest",
"group.id" -> "group0"
)
val topics = List("test")
val stream = KafkaUtils.createDirectStream(
ssc,
PreferConsistent,
ConsumerStrategies.Subscribe[String, String](topics.distinct, kafkaParams)
)
case class message(key: String, timestamp: Long, payload: Object)
val rdds = stream.map(record => message(record.key, record.timestamp, record.value))
val es_config: scala.collection.mutable.Map[String, String] =
scala.collection.mutable.Map(
"pushdown" -> "true",
"es.nodes" -> "http://docker-host",
"es.nodes.wan.only" -> "true",
"es.resource" -> elasticResource,
"es.ingest.pipeline" -> "iot-test-pipeline"
)
rdds.foreachRDD { rdd =>
rdd.saveToEs(es_config)
rdd.collect().foreach(println)
}
ssc.start()
ssc.awaitTermination()
}
}
要将此提交到我所做的集群:
- 使用“sbt-assembly”插件,我创建了一个包含所有依赖项的胖 jar 文件。
- 在 build.sbt 中定义一个装配策略,以避免在合并时出现重复数据删除错误......
然后提交:
./spark-submit.cmd --class KafkaConsumer --master spark://docker-host:7077 /c/Users/shams/Documents/Appunti/iot-demo-app/spark-streaming/target/scala-2.11/ spark-streaming-assembly-1.0.jar
但是我有这个错误:
19/02/27 11:18:12 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Exception in thread "main" java.io.IOException: No FileSystem for scheme: C at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2660) at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2667) at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:94) at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2703) at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2685) at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:373) at org.apache.spark.util.Utils$.getHadoopFileSystem(Utils.scala:1897) at org.apache.spark.util.Utils$.doFetchFile(Utils.scala:694) at org.apache.spark.deploy.DependencyUtils$.downloadFile(DependencyUtils.scala:135) at org.apache.spark.deploy.SparkSubmit$$anonfun$doPrepareSubmitEnvironment$7.apply(SparkSubmit.scala:416) at org.apache.spark.deploy.SparkSubmit$$anonfun$doPrepareSubmitEnvironment$7.apply(SparkSubmit.scala:416) at scala.Option.map(Option.scala:146) at org.apache.spark.deploy.SparkSubmit$.doPrepareSubmitEnvironment(SparkSubmit.scala:415) at org.apache.spark.deploy.SparkSubmit$.prepareSubmitEnvironment(SparkSubmit.scala:250) at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:171) at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:137) at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
经过一天的尝试,我还没有解决,我无法理解我的工作中哪里想要访问某个卷,似乎是错误所说的
可以与警告信息相关联吗? 那么,我应该如何编辑我的脚本以避免该问题?
提前致谢。
更新:
问题似乎与我的代码无关,因为我尝试提交一个以相同方式编译的简单 hello world 应用程序,但我遇到了同样的问题。
最佳答案
经过多次尝试和研究,我得出的结论是问题可能出在我的电脑上使用 windows 版本的 spark-submit 来提交作业。
我无法完全理解,但现在,将文件直接移动到主节点和工作节点,我可以从那里提交它。
容器上的第一个副本:
docker cp spark-streaming-assembly-1.0.jar 21b43cb2e698:/spark/bin
然后我执行(在/spark/bin 文件夹中):
./spark-submit --class KafkaConsumer --deploy-mode cluster --master spark://spark-master:7077 spark-streaming-assembly-1.0.jar
这是我目前找到的解决方法。
关于java - 无法在 docker 上的 spark 集群上提交 spark 作业,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54903912/