从谷歌云中的spark workers获取日志输出

Question

我正在谷歌集群中运行一个spark作业，并试图在RDD映射过程中获取一些日志信息。快速示例：

object LoggerWrapper extends Serializable{
    @transient lazy val logger=Logger.getLogger("myLogger")
}
object Processing{
 ...
    rdd.map(x=>{
       LoggerWrapper.logger.info("processing:"+x)
       foo(x)
    })
   ...
  sparkContext.stop
 }

我遵循这里描述的方法，并结合Spark网页中的指导。得到的log4j.properties就是最后显示的那个。使用gcloud命令的--files标志上传文件（如下所示）。我还更新了yarn-site.xml文件，以便将属性yarn.log-aggregation-enable设置为true。

我的第一个问题是，当我从主节点yarn logs -application <applicationID>运行时，我总是收到错误消息"日志聚合尚未完成或未启用"。是否需要做其他事情来收集消息。

第二个问题是，在进程运行时，是否可以在控制台输出中获取所有工作者的日志消息。例如，如果火花作业是流作业，那么我希望在作业运行时获得消息。

log4j.properties：

log4j.appender.myConsoleAppender=org.apache.log4j.ConsoleAppender
log4j.appender.myConsoleAppender.layout=org.apache.log4j.PatternLayout
log4j.appender.myConsoleAppender.layout.ConversionPattern=%d [%t] %-5p %c - %m%n
log4j.appender.RollingAppender=org.apache.log4j.DailyRollingFileAppender
log4j.appender.RollingAppender.File=${spark.yarn.app.container.log.dir}/spark.log
log4j.appender.RollingAppender.DatePattern='.'yyyy-MM-dd
log4j.appender.RollingAppender.layout=org.apache.log4j.PatternLayout
log4j.appender.RollingAppender.layout.ConversionPattern=[%p] %d %c %M - %m%n
log4j.appender.RollingAppenderU=org.apache.log4j.DailyRollingFileAppender
log4j.appender.RollingAppenderU.File=${spark.yarn.app.container.log.dir}/sparkU.log
log4j.appender.RollingAppenderU.DatePattern='.'yyyy-MM-dd
log4j.appender.RollingAppenderU.layout=org.apache.log4j.PatternLayout
log4j.appender.RollingAppenderU.layout.ConversionPattern=[%p] %d %c %M - %m%n

# By default, everything goes to console and file
log4j.rootLogger=INFO, RollingAppender, myConsoleAppender
# My custom logging goes to another file
log4j.logger.myLogger=INFO, RollingAppenderU, myConsoleAppender
# The noisier spark logs go to file only
log4j.logger.spark.storage=INFO, RollingAppender
log4j.additivity.spark.storage=false
log4j.logger.spark.scheduler=INFO, RollingAppender
log4j.additivity.spark.scheduler=false
log4j.logger.spark.CacheTracker=INFO, RollingAppender
log4j.additivity.spark.CacheTracker=false
log4j.logger.spark.CacheTrackerActor=INFO, RollingAppender
log4j.additivity.spark.CacheTrackerActor=false
log4j.logger.spark.MapOutputTrackerActor=INFO, RollingAppender
log4j.additivity.spark.MapOutputTrackerActor=false
log4j.logger.spark.MapOutputTracker=INFO, RollingAppender
log4j.additivty.spark.MapOutputTracker=false

gcloud命令：gcloud dataproc jobs submit spark --cluster myCluster --properties spark.driver.memory=1000m,spark.driver.maxResult=512m,spark.executor.memory=1000m --jars gs://path/to/jar/myJar.jar --files /absolute/path/to/local/file/log4j.properties --class contextual.wikidata.spark.jobs.$1 <application-arguments>

Answer 1

正如您在ContainerManagerImpl中看到的，检查日志聚合是否已启用是在nodemanager代码中：

protected LogHandler createLogHandler(Configuration conf, Context context,
    DeletionService deletionService) {
  if (conf.getBoolean(YarnConfiguration.LOG_AGGREGATION_ENABLED,
      YarnConfiguration.DEFAULT_LOG_AGGREGATION_ENABLED)) {
    return new LogAggregationService(this.dispatcher, context,
        deletionService, dirsHandler);
  } else {
    return new NonAggregatingLogHandler(this.dispatcher, deletionService,
                                        dirsHandler,
                                        context.getNMStateStore());
  }
}

此外，在首次创建LogHandler实例时，似乎是作为初始化的一部分完成的；这意味着必须向所有工作节点提供config值，并且必须在nodemanager启动/重新启动之前在config中。

在Dataproc中，您只需在创建集群时使用更简单的--properties标志，而不是自己手动修改yarn-site.xml文件，并且在守护进程服务启动之前，配置密钥将在所有节点中正确设置：

gcloud dataproc clusters create my-cluster 
    --properties yarn:yarn.log-aggregation-enable=true

此外，您需要确保运行yarn logs命令的用户与运行作业的用户相同，否则YARN将尝试查看日志聚合目录中错误的$USER目录：

sudo yarn logs -applicationId <applicationId>