一文讲透sparkHistoryServer与yarnHistoryServer关系

1、spark history 和 yarn history 的区别？

Spark History Server 和 YARN History Server 是用于查看和分析Spark和YARN 应用程序的执行情况的两个不同的工具。

Spark历史服务器是专门用于Spark应用程序的工具，它提供了一个界面，可以查看Spark应用程序的执行情况，包括执行时间、阶段状态、任务信息等。

YARN历史服务器是一个针对YARN（Hadoop生态系统中的资源管理器）应用程序的工具。它提供了一个界面，可以查看YARN应用程序的执行情况，包括使用的资源、任务执行时间等。

因此，Spark历史服务器专门用于Spark应用程序，而YARN历史服务器专门用于YARN应用程序。如果你想要查看和分析Spark应用程序的执行情况，则应使用Spark历史服务器；如果你想要查看和分析YARN应用程序的执行情况，则应使用YARN历史服务器。

2、SparkHistoryServer是否可以独立启动？

spark history server 使用时需要先开启 yarn history server吗？

不需要。Spark历史服务器是独立于YARN历史服务器运行的。你可以在不开启YARN历史服务器的情况下使用Spark历史服务器，也可以在开启YARN历史服务器的情况下使用Spark历史服务器。它们之间没有直接关系。

注意：如果你使用的是Spark on YARN模式，则需要配置Spark历史服务器以访问YARN历史服务器上的日志，以便能够查看Spark on YARN应用程序的执行情况。

3、sparkHistoryServer中查看executor日志为何要跳转到MR-HistoryServer？

虽然spark和MR的模型不同,都有自己的historyserver, 但是有一个是相通的,就是都是在YARN上运行, 每个container有统一的日志存放地址;

YARN在这里做了一个容易让人混淆的事情,就是YARN把container日志查询和查看的方式,做到MR的historyserver中了.

相当于是MR的historyserver提供了一个功能: 根据containerid或者applicationid,查询日志.

所以,YARN提供了yarn.log.server.url参数,指定查询日志的url,就是下面的配置:

<property>
        <name>yarn.log.server.url</name>
         <value>http://localhost:19888/jobhistory/logs/</value>
     </property>
           

由于是YARN提供的,所以这个配置项放在: yarn-site.xml里.

所以,就好理解官方文档中如下的话了:

1 The logs are also available on the Spark Web UI under the Executors Tab. 
   这些日志也可以在Spark Web UI的Executors选项卡下找到。

2 You need to have both the Spark history server and the MapReduce history server running and configure yarn.log.server.url in yarn-site.xml properly. The log URL on the Spark history server UI will redirect you to the MapReduce history server to show the aggregated logs.
 您需要运行Spark历史服务器和MapReduce历史服务器，并在yarn-site.xml中正确配置yarn.log.server.url。Spark历史服务器UI上的日志URL会将您重定向到MapReduce历史服务器，以显示聚合的日志。
           

如果配置了上面的参数, 在Spark的history server中的"Executors"Tab页面, 可以帮你重定向到MapReduce history server中以及聚合的日志.

4、如何配置SparkHistoryServer？

配置spark-defualt.conf文件

spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://bigdataha/bdp/eventLog
           

注意 spark.eventLog.dir 需要我们手动创建，最好chmod一下权限

如果集群hadoop环境需要kerberos认证，参考官网配置：https://spark.apache.org/docs/3.3.1/monitoring.html#spark-history-server-configuration-options

5、启停spark history server 服务

sh sbin/start-history-server.sh
sh sbin/stop-history-server.sh
           

6、查看history ui

7、查看结束的spark-executor日志

8、关于spark_history_opts参数

网上经常说需要再spark-env.sh中配置spark_history_opts参数

# Configuration for the Spark History Server
# Optional: sets the URL for the Spark history server to listen on, if not set defaults to 0.0.0.0:18080
export SPARK_HISTORY_OPTS="$SPARK_HISTORY_OPTS -Dspark.history.ui.port=18080"

# Optional: sets the location of the Spark event logs that the history server reads, if not set defaults to file:/tmp/spark-events
export SPARK_HISTORY_OPTS="$SPARK_HISTORY_OPTS -Dspark.history.fs.logDirectory=hdfs://your-hdfs-cluster/spark/applicationHistory"

           

解释：

SPARK_HISTORY_OPTS是一个环境变量，用于指定启动Spark历史服务器时的选项。这些选 项将用于设置Spark历史服务器的内存大小、运行时的日志级别等。

下面是一个SPARK_HISTORY_OPTS变量的示例：

在这个示例中，我们将Spark历史服务器的Web UI监听端口设置为18080，并限制保留的应用程序数量为10。

注意：SPARK_HISTORY_OPTS变量通常用于设置Spark历史服务器的运行时参数，而不是用于配置Spark历史服务器本身。

因此，不配置SPARK_HISTORY_OPTS也能查看Spark历史作业。SPARK_HISTORY_OPTS仅用于指定启动Spark历史服务器时的选项，并不影响查看历史作业的功能。

在没有配置SPARK_HISTORY_OPTS的情况下，Spark历史服务器将使用默认的配置启动，你仍然可以通过浏览器访问Spark历史服务器并查看历史作业。

9、关于历史服务器保存多久的application和历史文件是否压缩等配置

spark.history.updateInterval
#默认值：10，以秒为单位，更新日志相关信息的时间间隔

spark.history.retainedApplications
#默认值：50，在内存中保存Application历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，当再次访问已被删除的应用信息时需要重新构建页面。

spark.history.ui.port
#默认值：18080，HistoryServer的web端口

spark.history.ui.acls.enable
#默认值：false，授权用户查看应用程序信息的时候是否检查acl。如果启用，只有应用程序所有者和spark.ui.view.acls指定的用户可以查看应用程序信息;否则，不做任何检查

spark.eventLog.compress 
#默认值：false,是否压缩记录Spark事件，前提spark.eventLog.enabled为true，默认使用的是snappy
           

更多配置参考官网：https://spark.apache.org/docs/3.3.1/monitoring.html#viewing-after-the-fact