Scala 中的 Apache Spark 日志记录答案

【问题标题】：Apache Spark logging within ScalaScala 中的 Apache Spark 日志记录
【发布时间】：2015-05-26 08:38:32
【问题描述】：

我正在寻找一种能够在 Apache Spark 节点上执行代码时记录额外数据的解决方案，以帮助稍后调查执行期间可能出现的一些问题。尝试使用传统解决方案（例如 com.typesafe.scalalogging.LazyLogging）会失败，因为无法在 Apache Spark 等分布式环境上序列化日志实例。

我已经调查过这个问题，目前我发现的解决方案是使用 org.apache.spark.Logging 特征，如下所示：

class SparkExample with Logging {
  val someRDD = ...
  someRDD.map {
    rddElement => logInfo(s"$rddElement will be processed.")
    doSomething(rddElement)
  }
}

但是，Logging trait 似乎不是 Apache Spark 的永久解决方案，因为它被标记为 @DeveloperApi 并且类文档提到：

这可能会在未来的版本中更改或删除。

我想知道 - 它们是否是我可以使用的任何已知日志记录解决方案，并且允许我在 Apache Spark 节点上执行 RDD 时记录数据？

@Later Edit ：下面的一些 cmets 建议使用 Log4J。我尝试过使用 Log4J，但在使用 Scala 类（而不是 Scala 对象）中的记录器时仍然遇到问题。这是我的完整代码：

import org.apache.log4j.Logger
import org.apache.spark._

object Main {
 def main(args: Array[String]) {
  new LoggingTestWithRDD().doTest()
 }
}

class LoggingTestWithRDD extends Serializable {

  val log = Logger.getLogger(getClass.getName)

  def doTest(): Unit = {
   val conf = new SparkConf().setMaster("local[4]").setAppName("LogTest")
   val spark = new SparkContext(conf)

   val someRdd = spark.parallelize(List(1, 2, 3))
   someRdd.map {
     element =>
       log.info(s"$element will be processed")
       element + 1
    }
   spark.stop()
 }

}

我看到的例外是：

线程 "main" org.apache.spark.SparkException 中的异常：任务不可序列化 -> 原因：java.io.NotSerializableException: org.apache.log4j.Logger

【问题讨论】：

嗯...配置您的 log4j 并完成您的日志记录。
所以基本上 Apache Spark 强制你只使用 log4j ？
Fwiw，log4j的正确拼写是“slf4j”。
除了 / 作为日志记录的替代方案之外，指标可能会为您提供您想要的：spark.apache.org/docs/latest/monitoring.html
@michael_n 这不正确。 log4j 和 slf4j 是不同的东西。

标签： scala logging apache-spark

【解决方案1】：

您可以使用 Akhil 在
https://www.mail-archive.com/user@spark.apache.org/msg29010.html 中提出的解决方案。我自己用过，效果很好。

Akhil Das 星期一，2015 年 5 月 25 日 08:20:40 -0700
试试这个方法：

object Holder extends Serializable {      
   @transient lazy val log = Logger.getLogger(getClass.getName)    
}


val someRdd = spark.parallelize(List(1, 2, 3)).foreach { element =>
   Holder.log.info(element)
}

【讨论】：

我有一个火花流自定义接收器，将 NullPointering 自己弄死，花了一天时间拉我的胡子。这就是解决方案。谢谢。
这似乎可以解决。假设我想启用来自特定模块的日志。该怎么做？
我在输出日志中看不到任何日志。你能建议我可能出错的地方吗？
我仍然无法在 spark-jobserver 中使用这种确切的方法。有人尝试过这种配置吗？一切看起来都应该可以工作，但我在闭包中看不到任何日志记录。
你能告诉我getLogger方法是从哪里导入的

【解决方案2】：

使用 Log4j 2.x。核心记录器已被序列化。问题解决了。

Jira 讨论：https://issues.apache.org/jira/browse/LOG4J2-801

"org.apache.logging.log4j" % "log4j-api" % "2.x.x"

"org.apache.logging.log4j" % "log4j-core" % "2.x.x"

"org.apache.logging.log4j" %% "log4j-api-scala" % "2.x.x"

【讨论】：

您能否给出此日志记录的完整实现。比如你如何创建 log4j2.properties 以及如何在代码中实现。

【解决方案3】：

如果您需要在map、filter 或其他RDD 函数之前和之后执行一些代码，请尝试使用mapPartition，其中底层迭代器被显式传递。

例子：

val log = ??? // this gets captured and produced serialization error
rdd.map { x =>
  log.info(x)
  x+1
}

变成：

rdd.mapPartition { it =>
  val log = ??? // this is freshly initialized in worker nodes
  it.map { x =>
    log.info(x)
    x + 1
  }
}

每个基本的RDD 函数始终使用mapPartition 实现。

确保明确处理分区器并且不要松动它：参见 Scaladoc，preservesPartitioning 参数，这对性能至关重要。

【讨论】：

【解决方案4】：

这是一篇旧帖子，但我想提供我的工作解决方案，这是我经过很多努力后才得到的，仍然对其他人有用：

我想在 rdd.map 函数中打印 rdd 内容但得到Task Not Serializalable Error。这是我使用扩展 java.io.Serializable 的 scala 静态对象解决此问题的方法：

import org.apache.log4j.Level

object MyClass extends Serializable{

val log = org.apache.log4j.LogManager.getLogger("name of my spark log")

log.setLevel(Level.INFO)

def main(args:Array[String])
{

rdd.map(t=>

//Using object's logger here

val log =MyClass.log

log.INFO("count"+rdd.count)
)
}

}

【讨论】：

【解决方案5】：

val log = Logger.getLogger(getClass.getName),

您可以使用“日志”来写日志。此外，如果您需要更改记录器属性，您需要在 /conf 文件夹中有 log4j.properties。默认情况下，我们将在该位置有一个模板。

【讨论】：

我尝试使用 log4j，但在从类（而不是对象）调用 logger 变量时仍然遇到序列化问题：Exception in thread "main" org.apache.spark.SparkException: Task not serializable -> Caused by: java.io.NotSerializableException: org.apache.log4j.Logger
简单的解决方案：在本地方法范围内声明日志变量。
如果你制作“日志”@transient 会怎样？
地图分区来拯救这样的事情。您可以在 mappartitions 函数中创建记录器并使用它。该技术用于 JDBC 连接/mq/Kafka 生产者。

【解决方案6】：

使记录器瞬态和懒惰可以解决问题

@transient lazy val log = Logger.getLogger(getClass.getName)

@transient 将告诉 spark 不要为所有执行程序序列化它，而惰性将导致在第一次使用时创建实例。换句话说，每个执行者都有自己的记录器实例。即使可以，序列化记录器也不是一个好主意。

当然，您放入 map() 闭包中的任何内容都将在执行程序上运行，因此将在执行程序日志中找到，而不是在驱动程序日志中找到。对于执行器上的自定义 log4j 属性，您需要将 log4j.properties 添加到执行器类路径并将您的 log4j.properties 发送到执行器。

这可以通过将以下参数添加到您的 spark-submit 命令--conf "spark.executor.extraJavaOptions=-Dlog4j.configuration=./log4j.properties " --files ./log4j.properties 来完成还有其他方法可以设置这些配置，但这是最常见的。

【讨论】：

【解决方案7】：

这是我的解决方案：

我正在使用 SLF4j（带有 Log4j 绑定），在我的每一个 spark 工作的基类中，我都有这样的东西：

import org.slf4j.LoggerFactory
val LOG = LoggerFactory.getLogger(getClass)

就在我在分布式功能代码中使用LOG 的地方之前，我将记录器引用复制到本地常量。

val LOG = this.LOG

它对我有用！

【讨论】：