在 google dataproc 集群实例中的 spark-submit 上运行应用程序 jar 文件答案

【问题标题】：Running app jar file on spark-submit in a google dataproc cluster instance在 google dataproc 集群实例中的 spark-submit 上运行应用程序 jar 文件
【发布时间】：2016-02-28 14:37:55
【问题描述】：

我正在运行一个 .jar 文件，其中包含我需要打包的所有依赖项。其中一个依赖项是com.google.common.util.concurrent.RateLimiter，并且已经检查过它的类文件是否在这个 .jar 文件中。

不幸的是，当我在我的 google 的 dataproc-cluster 实例的主节点上点击命令 spark-submit 时，我收到了这个错误：

Exception in thread "main" java.lang.NoSuchMethodError: com.google.common.base.Stopwatch.createStarted()Lcom/google/common/base/Stopwatch;
at com.google.common.util.concurrent.RateLimiter$SleepingStopwatch$1.<init>(RateLimiter.java:417)
at com.google.common.util.concurrent.RateLimiter$SleepingStopwatch.createFromSystemTimer(RateLimiter.java:416)
at com.google.common.util.concurrent.RateLimiter.create(RateLimiter.java:130)
at LabeledAddressDatasetBuilder.publishLabeledAddressesFromBlockstem(LabeledAddressDatasetBuilder.java:60)
at LabeledAddressDatasetBuilder.main(LabeledAddressDatasetBuilder.java:144)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:497)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:672)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:180)
at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:205)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:120)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

在覆盖我的依赖项的意义上似乎发生了一些事情。已经从这个.jar 中反编译了Stopwatch.class 文件并检查了该方法是否存在。当我在那个 google dataproc 实例上运行时，就发生了这种情况。我在执行spark-submit 的进程上做了grep，我得到了-cp 这样的标志：

/usr/lib/jvm/java-8-openjdk-amd64/bin/java -cp /usr/lib/spark/conf/:/usr/lib/spark/lib/spark-assembly-1.5.0-hadoop2.7.1.jar:/usr/lib/spark/lib/datanucleus-api-jdo-3.2.6.jar:/usr/lib/spark/lib/datanucleus-rdbms-3.2.9.jar:/usr/lib/spark/lib/datanucleus-core-3.2.10.jar:/etc/hadoop/conf/:/etc/hadoop/conf/:/usr/lib/hadoop/lib/native/:/usr/lib/hadoop/lib/*:/usr/lib/hadoop/*:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/*

有什么办法可以解决这个问题吗？

谢谢。

【问题讨论】：

标签： java jar apache-spark google-cloud-dataproc

【解决方案1】：

如您所见，Dataproc 在调用 Spark 时在类路径中包含 Hadoop 依赖项。这样做主要是为了使用 Hadoop 输入格式、文件系统等相当简单。缺点是您最终会得到 Hadoop 的 guava 版本，即 11.02（参见 HADOOP-10101）。

如何解决这个问题取决于您的构建系统。如果使用 Maven，maven-shade 插件可用于将您的 guava 版本重新定位到新的包名称下。这方面的一个例子可以在GCS Hadoop Connector's packaging 中看到，但关键是你的 pom.xml 构建部分中的以下插件声明：

  <plugin>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-shade-plugin</artifactId>
    <version>2.3</version>
    <executions>
      <execution>
        <phase>package</phase>
        <goals>
          <goal>shade</goal>
        </goals>
        <configuration>
          <relocations>
            <relocation>
              <pattern>com.google.common</pattern>
              <shadedPattern>your.repackaged.deps.com.google.common</shadedPattern>
            </relocation>
          </relocations>
        </execution>
      </execution>
    </plugin>

类似的重定位可以通过 sbt 的 sbt-assembly 插件、ant 的 jarjar 以及 gradle 的 jarjar 或 shadow 来完成。

【讨论】：