为 Apache Spark 指定外部配置文件

2022-09-04 06:49:53

我想在配置文件中指定 Spark 的所有属性,然后在运行时加载该配置文件。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

事实证明,我对如何做到这一点感到非常困惑。忽略这个问题的其余部分。要查看有关如何将 .properties 文件加载到 spark 集群中的简单解决方案(在 Java Spark 中),请参阅下面的答案。

以下原始问题仅供参考。

~~~~~~~~~~~~~~~~~~~~~~~~

我想要

  • 根据环境(本地、aws)的不同配置文件
  • 我想指定特定于应用程序的参数

举个简单的例子,让我们想象一下,我想根据字符串过滤日志文件中的行。下面我有一个简单的Java Spark程序,它从文件中读取数据并根据用户定义的字符串进行过滤。程序采用一个参数,即输入源文件。

Java Spark Code

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;

public class SimpleSpark {
    public static void main(String[] args) {
        String inputFile = args[0]; // Should be some file on your system

        SparkConf conf = new SparkConf();// .setAppName("Simple Application");
        JavaSparkContext sc = new JavaSparkContext(conf);
        JavaRDD<String> logData = sc.textFile(inputFile).cache();

        final String filterString = conf.get("filterstr");

        long numberLines = logData.filter(new Function<String, Boolean>() {
            public Boolean call(String s) {
                return s.contains(filterString);
            }
        }).count();

        System.out.println("Line count: " + numberLines);
    }
}

配置文件

配置文件基于 https://spark.apache.org/docs/1.3.0/configuration.html,如下所示:

spark.app.name          test_app
spark.executor.memory   2g
spark.master            local
simplespark.filterstr   a

问题

我使用以下参数执行应用程序:

/path/to/inputtext.txt --conf /path/to/configfile.config

但是,这不起作用,因为异常

Exception in thread "main" org.apache.spark.SparkException: A master URL must be set in your configuration

被抛出。对我来说,这意味着配置文件没有被加载。

我的问题是:

  1. 我的设置有什么问题?
  2. 在 spark 配置文件中指定应用程序特定的参数是否适合?

答案 1

试试这个

--properties-file /path/to/configfile.config

然后在程序中访问为scala

sc.getConf.get("spark.app.name")

答案 2

所以过了一会儿,我意识到我很困惑。将配置文件放入内存的最简单方法是使用标准属性文件,将其放入hdfs并从那里加载它。为了记录,这是执行此操作的代码(在Java Spark中):

import java.util.Properties;

import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;

SparkConf sparkConf = new SparkConf()
JavaSparkContext ctx = new JavaSparkContext(sparkConf);

InputStream inputStream;
Path pt = new Path("hdfs:///user/hadoop/myproperties.properties");
FileSystem fs = FileSystem.get(ctx.hadoopConfiguration());
inputStream = fs.open(pt);

Properties properties = new Properties();
properties.load(inputStream);

推荐