使用已安装的 spark 和 maven 将 Spark Scala 程序编译成 jar 文件

Question

仍在尝试熟悉 maven 并将我的源代码编译成 jar 文件以供 spark-submit。我知道如何为此使用 IntelliJ，但想了解它实际上是如何工作的。我有一个 EC2 服务器，其中已经安装了所有最新软件，例如 spark 和 scala，并且有我现在想用 maven 编译的示例 SparkPi.scala 源代码。我的愚蠢问题首先是，我是否可以只使用我安装的软件来构建代码，而不是从 maven 存储库中检索依赖项，以及如何从基本的 pom.xml 模板开始添加适当的要求。我不完全理解 maven 到底在做什么，我怎样才能测试我的源代码的编译？ 据我了解，我只需要拥有标准目录结构src/main/scala，然后想运行mvn package。我也想用 maven 而不是 sbt 进行测试。

Answer 1

除了@Krishna， 如果您有mvn project，请在pom.xml 上使用mvn clean package。确保您的pom.xml 中有以下build 以生成fat-jar。 （这是我的情况，我是怎么做jar的）

<build><sourceDirectory>src</sourceDirectory>
        <plugins><plugin>
            <artifactId>maven-compiler-plugin</artifactId>
            <version>3.0</version>
            <configuration>
                <source>1.7</source>
                <target>1.7</target>
            </configuration>
        </plugin>
            <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-assembly-plugin</artifactId>
            <version>2.4</version>
            <configuration>
                <descriptorRefs>
                    <descriptorRef>jar-with-dependencies</descriptorRef>
                </descriptorRefs>
            </configuration>
            <executions>
                <execution>
                    <id>assemble-all</id>
                    <phase>package</phase>
                    <goals>
                        <goal>single</goal>
                    </goals>
                </execution>
            </executions>
        </plugin></plugins>
    </build>

更多详情：link 如果您有sbt project，请使用sbt clean assembly 生成fat-jar。为此，您需要以下配置，例如 build.sbt

assemblyJarName := "WordCountSimple.jar"
//
val meta = """META.INF(.)*""".r

assemblyMergeStrategy in assembly := {
  case PathList("javax", "servlet", xs@_*) => MergeStrategy.first
  case PathList(ps@_*) if ps.last endsWith ".html" => MergeStrategy.first
  case n if n.startsWith("reference.conf") => MergeStrategy.concat
  case n if n.endsWith(".conf") => MergeStrategy.concat
  case meta(_) => MergeStrategy.discard
  case x => MergeStrategy.first
}

还有plugin.sbt点赞：

addSbtPlugin("com.eed3si9n" % "sbt-assembly" % "0.13.0")

如需了解更多信息，请参阅 this 和 this。

到目前为止，主要目标是获取包含目标文件夹中所有依赖项的 fat-jar。使用该 jar 在集群中运行，如下所示：

hastimal@nm:/usr/local/spark$ ./bin/spark-submit --class  com.hastimal.wordcount --master yarn-cluster  --num-executors 15 --executor-memory 52g --executor-cores 7 --driver-memory 52g  --driver-cores 7 --conf spark.default.parallelism=105 --conf spark.driver.maxResultSize=4g --conf spark.network.timeout=300  --conf spark.yarn.executor.memoryOverhead=4608 --conf spark.yarn.driver.memoryOverhead=4608 --conf spark.akka.frameSize=1200  --conf spark.io.compression.codec=lz4 --conf spark.rdd.compress=true --conf spark.broadcast.compress=true --conf spark.shuffle.spill.compress=true --conf spark.shuffle.compress=true --conf spark.shuffle.manager=sort /users/hastimal/wordcount.jar inputRDF/data_all.txt /output 

这里我有inputRDF/data_all.txt /output 是两个参数。同样从工具的角度来看，我正在 Intellijas IDE 中构建。

Answer 2

请按以下步骤操作

# create assembly jar upon code change
sbt assembly

# transfer the jar to a cluster 
scp target/scala-2.10/myproject-version-assembly.jar <some location in your cluster>

# fire spark-submit on your cluster
$SPARK_HOME/bin/spark-submit --class not.memorable.package.applicaiton.class --master yarn --num-executor 10 \
  --conf some.crazy.config=xyz --executor-memory=lotsG \
  myproject-version-assembly.jar \
  <glorious-application-arguments...>