我有一个Python Spark程序,我用spark-submit
运行。我想把日志语句放在其中。
logging.info("This is an informative message.")
logging.debug("This is a debug message.")
我想使用Spark正在使用的相同记录器,以便日志消息以相同的格式出现,并且级别由相同的配置文件控制。我该怎么做呢?
我已经尝试将logging
语句放在代码中并从logging.getLogger()
开始。在这两种情况下,我都看到Spark的日志消息,但不是我的。我一直在看Python logging documentation,但还是没能从那里弄明白。
不确定这是否是提交给Spark的脚本特有的,或者我不了解日志记录的工作原理。
您可以从SparkContext对象获取记录器:
log4jLogger = sc._jvm.org.apache.log4j
LOGGER = log4jLogger.LogManager.getLogger(__name__)
LOGGER.info("pyspark script logger initialized")
您需要获取spark本身的记录器,默认情况下,getLogger()
将为您自己的模块返回记录器。尝试类似的东西:
logger = logging.getLogger('py4j')
logger.info("My test info statement")
它也可能是'pyspark'
而不是'py4j'
。
如果您在spark程序中使用的函数(以及执行某些日志记录)在与main函数相同的模块中定义,则会产生一些序列化错误。
我还在spark 1.3.1上测试了这个
编辑:
要将记录从STDERR
更改为STDOUT
,您必须删除当前的StreamHandler
并添加一个新的。
找到现有的流处理程序(完成后可以删除此行)
print(logger.handlers)
# will look like [<logging.StreamHandler object at 0x7fd8f4b00208>]
可能只有一个,但如果不是,你将不得不更新位置。
logger.removeHandler(logger.handlers[0])
为sys.stdout
添加新的处理程序
import sys # Put at top if not already there
sh = logging.StreamHandler(sys.stdout)
sh.setLevel(logging.DEBUG)
logger.addHandler(sh)
交互pyspark和java log4j的关键是jvm。下面是python代码,conf缺少url,但这是关于日志记录。
from pyspark.conf import SparkConf
from pyspark.sql import SparkSession
my_jars = os.environ.get("SPARK_HOME")
myconf = SparkConf()
myconf.setMaster("local").setAppName("DB2_Test")
myconf.set("spark.jars","%s/jars/log4j-1.2.17.jar" % my_jars)
spark = SparkSession\
.builder\
.appName("DB2_Test")\
.config(conf = myconf) \
.getOrCreate()
Logger= spark._jvm.org.apache.log4j.Logger
mylogger = Logger.getLogger(__name__)
mylogger.error("some error trace")
mylogger.info("some info trace")
我们需要从执行程序登录,而不是从驱动程序节点登录。所以我们做了以下事情:
/etc/rsyslog.d/spark.conf
(使用带有Amazon Elastic Map Reduceso that the Core nodes forwarded syslog
local1`消息的Bootstrap方法到主节点。local
消息记录到/var/log/local1.log
。logging
模块Syslog记录器。logging.info()
登录。 ...我们发现的一件事是在多个执行器上同时处理相同的分区。显然,当它有额外的资源时,Spark会一直这样做。这处理了执行者神秘延迟或失败的情况。
登录map
函数已经教会了我们很多Spark如何工作。
在我的情况下,我很高兴将我的日志消息添加到worker stderr,以及通常的spark日志消息。
如果这符合您的需求,那么诀窍是将特定的Python记录器重定向到stderr
。
例如,以下灵感来自this answer,对我来说很好:
def getlogger(name, level=logging.INFO):
import logging
import sys
logger = logging.getLogger(name)
logger.setLevel(level)
if logger.handlers:
# or else, as I found out, we keep adding handlers and duplicate messages
pass
else:
ch = logging.StreamHandler(sys.stderr)
ch.setLevel(level)
formatter = logging.Formatter('%(asctime)s - %(name)s - %(levelname)s - %(message)s')
ch.setFormatter(formatter)
logger.addHandler(ch)
return logger
用法:
def tst_log():
logger = getlogger('my-worker')
logger.debug('a')
logger.info('b')
logger.warning('c')
logger.error('d')
logger.critical('e')
...
输出(加上上下文的几条线):
17/05/03 03:25:32 INFO MemoryStore: Block broadcast_24 stored as values in memory (estimated size 5.8 KB, free 319.2 MB)
2017-05-03 03:25:32,849 - my-worker - INFO - b
2017-05-03 03:25:32,849 - my-worker - WARNING - c
2017-05-03 03:25:32,849 - my-worker - ERROR - d
2017-05-03 03:25:32,849 - my-worker - CRITICAL - e
17/05/03 03:25:32 INFO PythonRunner: Times: total = 2, boot = -40969, init = 40971, finish = 0
17/05/03 03:25:32 INFO Executor: Finished task 7.0 in stage 20.0 (TID 213). 2109 bytes result sent to driver