spark深入：配置文件与日志
一、第一部分
1、spark2.1与hadoop2.7.3集成，spark on yarn模式下，需要对hadoop的配置文件yarn-site.xml增加内容，如下：
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<property>
<name>yarn.log.server.url</name>
<value>http://node2:19888/jobhistory/logs</value>
</property>
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
2、spark的conf/spark-defaults.conf配置
spark.yarn.historyServer.address=node2:18080 spark.history.ui.port=18080 spark.eventLog.enabled=true spark.eventLog.dir=hdfs:///tmp/spark/events spark.history.fs.logDirectory=hdfs:///tmp/spark/events
如果你是运行在yarn之上的话，就要告诉yarn，你spark的地址，当我在yarn上点击一个任务，进去看history的时候，他会链接到18080里面，如果你配的是node1:18080，那么你就要在node1上启动spark的history server（见后面注①）
最下面两个配置是运行spark程序的时候配置的，一旦你运行spark，就会将日志等发送到那两个目录，有了这两个目录，spark的historyserver就可以读取spark的运行状态信息日志等读取并展示
18080是spark的history server，会显示出你最近spark跑过的一些程序，点击execution后，点击最右边的日志（如果有的话），会重定向到19888（见后面注②），这个是mr的jobserver的地址（启动命令：mr-jobhistory-daemon.sh start historyserver）
spark.yarn.historyServer.address和spark.history.ui.port如果缺少其中一个，日志就看不到
综上，1和2两个配置齐全，才可以查看spark的stdout和stderr日志
二、第二部分
实际上，在spark程序运行的时候，会起一个driver程序和多个executor程序，他们都是跑在nodemanager之上的，在启动程序的时候，如果我们在默认的配置项里面，配置了参数spark.eventLog.enabled=true，spark.eventLog.dir=地址，那么driver上就会把所有的事件全部给记录下来，事件包括，executor的启动，executor执行的task等发送给driver
每当写日志的时候，都有一个写日志的组件将日志写进那个目录里面，这个目录下面每一个应用程序都会存在一个文件，然后将会由spark的history server（也就是配置在spark-default.conf里面），这个server会在18080启动一个进程，去扫描日志目录，并解析每一个文件，进行还原，就得到了整个应用的状态
在hadoop-2.7.3/etc/hadoop/mapred-site.xml配置文件中
<property> <name>mapreduce.jobhistory.done-dir</name> <value>/user/history/done</value> </property> <property> <name>mapreduce.jobhistory.intermediate-done-dir</name> <value>/user/history/done_intermediate</value> </property>
stdlog和err是每一个nodemanager上的每一个executor都会产生的，如果当程序完成后，在这个节点上，跟这个应用相关的所有信息全部会被清除掉，包括这些日志，这样的话如果我们不把这个日志收集起来，那么后面在历史信息（18080 executord模块的stderr和out）里面就看不到这些日志
为了能够看到这些日志，我们要做的事情是，让nodemanager开启一个日志聚合的功能，这个功能的作用是，当应用程序终止的时候，需要将这个应用程序产生的所有日志全部聚集到远程hdfs上的一个目录，聚集之后，还需要通过一个http的接口去查看这些日志，查看日志的这个角色就叫做mr的history server，通过她的web ui接口，当我们点击std日志的时候，就会跳转到mr job history server这个地址上19888上，然后去把这个日志展示出来
三、总结
总的来说，yarn-site.xml和conf/spark-defaults.conf这两个配置文件中的地址比较关键
http://node2:19888/jobhistory/logs ： 对应的是点击strout的时候跳转的地址
spark.yarn.historyServer.address=node2:18080 ：对应的是在yarn里点击history，跳转的地址
注①：
1、进入yarn的web ui页面，点击左侧FINISHED，可查看运行完的作业，点击一个app id
2、进入下图页面，点击History
3、重定向到conf/spark-defaults.conf配置的地址
注②：
具体步骤如下：
1、我先运行一个spark程序
bin/spark-shell --master local
2、登录Spark History server的web ui
http://node1:18080/
3、如下图，找到我刚才运行的程序
4、点击红框位置App ID，进入如下图页面
5、点击红框位置Executor，进入下图页面
6、右下角的stderr和stdout就是我们此行的目标了
<property>
<name>yarn.log.server.url</name>
<value>http://node2:19888/jobhistory/logs</value>
</property>
当你点击stderr或stdout，就会重定向到node2:19888，所以如果这里你配错了，那这两个日志你是看不了的
node2:19888是你的MapReduce job history server的启动节点地址
进入页面如下图
