当您提交 Dataproc 作业时,Dataproc 会自动收集作业输出,并为您提供该作业。这意味着您可以在作业运行时快速查看作业输出,而无需与集群保持连接,或者查看复杂的日志文件。
Spark 作业输出选项
Dataproc 作业驱动程序是许多作业类型的启动器。启动 Spark 作业时,它会作为底层 spark-submit
可执行文件的封装容器运行,以启动 Spark 驱动程序。Spark 驱动程序在 client
或 cluster
模式的 Dataproc 集群中运行作业:
client
模式:Spark 驱动程序在spark-submit
进程中运行作业,而 Spark 日志会发送到 Dataproc 作业驱动程序。cluster
模式:Spark 驱动程序在 YARN 容器中运行作业。Spark 驱动程序日志不适用于 Dataproc 作业驱动程序,并且仅包含spark-submit
日志(例如,“Submitted application xxx"”)。Spark 驱动程序输出和执行程序日志包含在 YARN 容器日志中。
下表列出了影响 Dataproc 作业驱动程序和 Spark 作业输出目标的 Dataproc 和 Spark 属性。创建集群时,可以使用 --properties
标志设置列出的 Dataproc 和 Spark 属性,并且该设置将应用于集群上运行的所有 Spark 作业;您也可以在提交作业时使用 --properties
标志(不带 "spark:" 前缀)进行设置,并且该属性仅适用于作业。
相关的 Dataproc 和 Spark 作业输出属性
属性 | 价值 | 默认 | 说明 |
---|---|---|---|
dataproc:dataproc.logging.stackdriver.job.driver.enable |
true 或 false | false | 如果为 true ,作业驱动程序输出在 Logging 中,与作业资源关联;当 false 时,作业驱动程序输出不在 Logging 中。 |
dataproc:dataproc.logging.stackdriver.job.yarn.container.enable |
true 或 false | false | 如果为 true ,则作业 YARN 容器日志与作业资源相关联;当 false 时,作业 YARN 容器日志与集群资源相关联。 |
spark:spark.submit.deployMode |
客户端或集群 | client | 控制 Spark client 或 cluster 模式。 |
Dataproc 作业驱动程序输出
下表列出了不同属性设置对 Dataproc 作业驱动程序输出的目标位置的影响。
dataproc: |
输出 |
---|---|
false(默认) |
|
true |
|
Spark 驱动程序输出
下表列出了不同属性设置对 Spark 驱动程序输出的目标位置的影响。
spark: |
dataproc: |
驱动程序输出 |
---|---|---|
client | false(默认) |
|
client | true |
|
集群 | false(默认) |
|
集群 | true |
|
Spark 执行程序输出
下表列出了不同属性设置对 Spark 执行程序输出的影响。
dataproc: |
执行器输出 |
---|---|
false(默认) | 在 Logging 中:集群资源下的 yarn-userlogs |
true | 在 Logging dataproc.job.yarn.container 中的作业资源下 |
查看作业输出
您可以使用 Cloud Console、gcloud CLI 或 Cloud Storage 访问 Dataproc 作业驱动程序输出。
控制台
如需查看作业输出,请转到项目的 Dataproc 作业部分,然后点击作业 ID 以查看作业输出。
如果作业正在运行,则作业输出会定期刷新以显示新内容。
gcloud 命令
当您使用 gcloud dataproc jobs submit 命令提交作业时,作业输出会显示在控制台中。通过将作业 ID 传递给 gcloud dataproc jobs wait 命令,您可以在稍后的时间、在其他计算机上或在新窗口中“重新加入”输出。作业 ID 是 GUID,例如 5c1754a5-34f7-4553-b667-8a1199cb9cab
。示例如下:
gcloud dataproc jobs wait 5c1754a5-34f7-4553-b667-8a1199cb9cab \ --project my-project-id --region my-cluster-region
Waiting for job output... ... INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.4.2-hadoop2 ... 16:47:45 INFO client.RMProxy: Connecting to ResourceManager at my-test-cluster-m/ ...
Cloud Storage
作业输出存储在 Cloud Storage 中的暂存存储分区或创建集群时指定的存储分区中。以下项返回的 Job.driverOutputResourceUri 字段中提供 Cloud Storage 中的作业输出链接:
- jobs.get API 请求。
- gcloud dataproc jobs describe job-id 命令。
$ gcloud dataproc jobs describe spark-pi ... driverOutputResourceUri: gs://dataproc-nnn/jobs/spark-pi/driveroutput ...