spark on yarn 如何集成elasticsearch

随着spark越来越流行，我们的很多组件都有可能和spark集成，比如说spark处理完的数据写入mysql，redis，或者hbase，elasticsearch，spark本身不包含db的依赖的，这就需要自己解决依赖的jar包，这里大致有两种处理思路处理依赖问题：

（1）使用maven将整个依赖打成一个fat的jar，这样所有的依赖都会在一个jar包，这样的好处就是一个jar包包含所有依赖，不需要额外考虑依赖的问题，但是弊端也非常明显如果依赖多的话jar包的体积会非常大超过100M都很正常，每次代码有小的变更都需要重新编译上传linux测试，如果你们win环境跟服务器中间是通过V**连接的，每次只允许上传几kb的数据，那么你就完蛋了，等你上传100M的jar包完了，1个小时也过去了，而且中间如果V**不稳定断了，那么恭喜你，你需要重新再来一次。一天的上班时间也就够你调试8次代码.....

（2）第二种方式是使用maven将核心代码打成一个jar，依赖的不打进去，但是需要自己把依赖的jar包在服务器上做成一份共享的，每次程序运行时都可以加载到，这样的工作只需要做一次即可，以后代码变更，只会提交核心代码，共享的依赖用在变化，这样的好处就是动静分离，核心代码体积非常小，只有只kb，每次编译重新打包上传linux运行速度非常快，依赖的jar虽然体积比较大，数量多但是我们只需要第一次将其全部收集到一个公共目录即可，程序运行时加载这个目录即可。这样的缺点就是如果框架对依赖由特殊要求，那么就需要了解这个框架如何加载jar包，才能正确。

在使用spark集成es时候，我使用的是上面的第二种方法，下面看下如何使用，集成es的jar包如下：

这里需要解释一下依赖jar包如何在spark中提交，大多数时候我们直接使用spark-submit提交命令加上--jars libs/*jar即可，少数时候会出现另外一种情况，明明libs目录下有这个jar包，但是在运行spark任务的时候一直报这个jar的类 找不到，如果出现这种情况，就需要在每台hadoop或者spark的机器上创建一个本地的jar目录，然后把那个出现问题的jar，放在这里面，最后在使用下面的几个参数配置此jar，这样以来这种问题基本就能解决。

在使用spark和es集成的时候guava的包就出现了上述的第二种情况，所以我在下面使用了第二种加载方式，最后调试通过。

最后需要注意的是，如果跟hive集成的时候，还用到了yarn-cluster模式，那么提交任务的时候，必须把hive-site.xml也提交上去，否则会报找不到hive的表异常。

最终提交spark任务到yarn集群上的命令如下：

spark这个集成相关依赖时，还是比较简单的，大部分时候我们使用--jars都能非常轻松的解决依赖问题，少数时候需要在每一台spark机器上上传jar包，除此之外在使用maven打包的时候散仙推荐使用第二种，不要把依赖和核心代码耦合在一个jar里，最好能分离，这样核心代码的体积会非常小方便调试。