如何在 Spark 中实现自定义作业监听器/跟踪器？

Question

我有一个像下面这样的类，当我通过命令行运行它时，我想查看进度状态。比如，

10% completed... 
30% completed... 
100% completed...Job done!

我在 yarn 上使用 spark 1.0 并使用 Java API。

public class MyJavaWordCount {
    public static void main(String[] args) throws Exception {
        if (args.length < 2) {
            System.err.println("Usage: MyJavaWordCount <master> <file>");
            System.exit(1);
        }
        System.out.println("args[0]: <master>="+args[0]);
        System.out.println("args[1]: <file>="+args[1]);

        JavaSparkContext ctx = new JavaSparkContext(
                args[0],
                "MyJavaWordCount",
                System.getenv("SPARK_HOME"),
                System.getenv("SPARK_EXAMPLES_JAR"));
        JavaRDD<String> lines = ctx.textFile(args[1], 1);

//      output                                            input   output         
        JavaRDD<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
            //              output       input 
            public Iterable<String> call(String s) {
                return Arrays.asList(s.split(" "));
            }
        });

//          K       V                                                input   K       V 
        JavaPairRDD<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() {
            //            K       V             input 
            public Tuple2<String, Integer> call(String s) {
                //                K       V 
                return new Tuple2<String, Integer>(s, 1);
            }
        });

        JavaPairRDD<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {
            public Integer call(Integer i1, Integer i2) {
                return i1 + i2;
            }
        });

        List<Tuple2<String, Integer>> output = counts.collect();
        for (Tuple2 tuple : output) {
            System.out.println(tuple._1 + ": " + tuple._2);
        }
        System.exit(0);
    }
}

Answer 1

如果您使用的是 scala-spark，此代码将帮助您添加 spark 侦听器。

创建你的 SparkContext

val sc=new SparkContext(sparkConf) 

现在您可以在 spark 上下文中添加您的 spark 侦听器

sc.addSparkListener(new SparkListener() {
  override def onApplicationStart(applicationStart: SparkListenerApplicationStart) {
    println("Spark ApplicationStart: " + applicationStart.appName);
  }

  override def onApplicationEnd(applicationEnd: SparkListenerApplicationEnd) {
    println("Spark ApplicationEnd: " + applicationEnd.time);
  }

});

Here is 用于监听 Spark 调度中事件的接口列表。

Answer 2

你应该实现SparkListener。只需覆盖您感兴趣的任何事件（作业/阶段/任务开始/结束事件），然后调用sc.addSparkListener(myListener)。

它不会为您提供直接的基于百分比的进度跟踪器，但至少您可以跟踪正在取得的进度及其粗略率。困难来自于 Spark 阶段的数量是多么不可预测，以及每个阶段的运行时间如何有很大的不同。一个阶段内的进展应该更可预测。

Answer 3

首先，如果您想跟踪进度，那么您可以考虑spark.ui.showConsoleProgress 请查看@Yijie Shens 的答案(Spark output: log-style vs progress-style)。

我认为没有必要为这样的事情实现 Spark 监听器。除非你非常具体。

---

问题：如何在 Spark 中实现自定义作业监听器/跟踪器？

You can Use SparkListener and intercept SparkListener events.

在 Spark 框架中实现的经典示例是 HeartBeatReceiver。

示例： HeartBeatReceiver.scala

/**
 * Lives in the driver to receive heartbeats from executors..
 */
private[spark] class HeartbeatReceiver(sc: SparkContext, clock: Clock)
  extends SparkListener with ThreadSafeRpcEndpoint with Logging {

  def this(sc: SparkContext) {
    this(sc, new SystemClock)
  }

  sc.addSparkListener(this) ...

以下是可用的侦听器事件列表。哪些应用程序/作业事件应该对您有用

• SparkListenerApplicationStart

• SparkListenerJobStart

• SparkListenerStageSubmitted

• SparkListenerTaskStart

• SparkListenerTaskGettingResult

• SparkListenerTaskEnd

• SparkListenerStageCompleted

• SparkListenerJobEnd

• SparkListenerApplicationEnd

• SparkListenerEnvironmentUpdate

• 已添加 SparkListenerBlockManager

• SparkListenerBlockManagerRemoved

• SparkListenerBlockUpdated

• SparkListenerUnpersistRDD

• SparkListenerExecutor 已添加

• SparkListenerExecutorRemoved