使用Ganglia监控Spark

在本博客的 《Spark Metrics配置详解》文章中介绍了 Spark Metrics的配置，其中我们就介绍了 Spark监控支持Ganglia Sink。

　　Ganglia是UC Berkeley发起的一个开源集群监视项目，主要是用来监控系统性能，如：cpu 、mem、硬盘利用率， I/O负载、网络流量情况等，通过曲线很容易见到每个节点的工作状态，对合理调整、分配系统资源，提高系统整体性能起到重要作用。

　　由于Licene的限制，没有放到默认的build里面，如果需要使用，需要自己编译。在使用Maven编译Spark的时候，我们可以加上-Pspark-ganglia-lgpl选项来将Ganglia相关的类打包进spark-assembly-x.x.x-hadoopx.x.x.jar中，命令如下：

1	[iteblog@iteblog spark]$ ./make-distribution.sh --tgz -Phadoop-2.4 -Pyarn -DskipTests

2	-Dhadoop.version=2.4.0 -Pspark-ganglia-lgpl

　　如果你使用的是SBT来编译，可以加上SPARK_GANGLIA_LGPL=true，完整命令如下：

1	[iteblog@iteblog spark]$ SPARK_HADOOP_VERSION=2.4.0 SPARK_YARN=true

2	SPARK_GANGLIA_LGPL=true sbt/sbt assembly

　　或者你在提交作业的时候，单独将Ganglia相关依赖加入到--jars选项中：

1	--jars lib/spark-ganglia-lgpl_2.10-x.x.x.jar  ...

　　依赖弄好之后，我们需要在$SPARK_HOME/conf/metrics.properties文件中加入一下配置：

1	*.sink.ganglia.class=org.apache.spark.metrics.sink.GangliaSink

2	*.sink.ganglia.host=www.iteblog.com

3	*.sink.ganglia.port=8080

4	*.sink.ganglia.period=10

5	*.sink.ganglia.unit=seconds

6	*.sink.ganglia.ttl=1

7	*.sink.ganglia.mode=multicast

host和port这个就是你Ganglia监控的地址，其中mode支持'unicast'(单播) 和 'multicast'(多播)两种模式。

　　如果你出现类似下面的异常信息：

01	15/06/11 23:35:14 ERROR MetricsSystem: Sink class org.apache.spark.metrics.sink.GangliaSink cannot be instantialized

02	java.lang.ClassNotFoundException: org.apache.spark.metrics.sink.GangliaSink

03	at java.net.URLClassLoader$1.run(URLClassLoader.java:366)

04	at java.net.URLClassLoader$1.run(URLClassLoader.java:355)

05	at java.security.AccessController.doPrivileged(Native Method)

06	at java.net.URLClassLoader.findClass(URLClassLoader.java:354)

07	at java.lang.ClassLoader.loadClass(ClassLoader.java:425)

08	at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:308)

09	at java.lang.ClassLoader.loadClass(ClassLoader.java:358)

10	at java.lang.Class.forName0(Native Method)

11	at java.lang.Class.forName(Class.java:191)

12	at org.apache.spark.metrics.MetricsSystem$$anonfun$registerSinks$1.apply(MetricsSystem.scala:138)

13	at org.apache.spark.metrics.MetricsSystem$$anonfun$registerSinks$1.apply(MetricsSystem.scala:134)

14	at scala.collection.mutable.HashMap$$anonfun$foreach$1.apply(HashMap.scala:98)

15	at scala.collection.mutable.HashMap$$anonfun$foreach$1.apply(HashMap.scala:98)

16	at scala.collection.mutable.HashTable$class.foreachEntry(HashTable.scala:226)

17	at scala.collection.mutable.HashMap.foreachEntry(HashMap.scala:39)

18	at scala.collection.mutable.HashMap.foreach(HashMap.scala:98)

19	at org.apache.spark.metrics.MetricsSystem.registerSinks(MetricsSystem.scala:134)

20	at org.apache.spark.metrics.MetricsSystem.<init>(MetricsSystem.scala:84)

21	at org.apache.spark.metrics.MetricsSystem$.createMetricsSystem(MetricsSystem.scala:171)

22	at org.apache.spark.deploy.worker.Worker.<init>(Worker.scala:106)

23	at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)

24	at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:57)

25	at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)

26	at java.lang.reflect.Constructor.newInstance(Constructor.java:526)

27	at akka.util.Reflect$.instantiate(Reflect.scala:65)

28	at akka.actor.Props.newActor(Props.scala:337)

29	at akka.actor.ActorCell.newActor(ActorCell.scala:534)

30	at akka.actor.ActorCell.create(ActorCell.scala:560)

31	at akka.actor.ActorCell.invokeAll$1(ActorCell.scala:425)

32	at akka.actor.ActorCell.systemInvoke(ActorCell.scala:447)

33	at akka.dispatch.Mailbox.processAllSystemMessages(Mailbox.scala:262)

34	at akka.dispatch.Mailbox.run(Mailbox.scala:218)

35	at akka.dispatch.ForkJoinExecutorConfigurator$AkkaForkJoinTask.exec(AbstractDispatcher.scala:386)

36	at scala.concurrent.forkjoin.ForkJoinTask.doExec(ForkJoinTask.java:260)

37	at scala.concurrent.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1339)

38	at scala.concurrent.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.java:1979)

39	at scala.concurrent.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:107)

　　请查看你的Spark包是否将org.apache.spark.metrics.sink.GangliaSink打包进去了；或者仔细看下你的配置文件，请尽量拷贝我这里提供的。

　　配置弄好之后，启动你的Spark集群，然后去http://www.iteblog.com/ganglia-web监控页面查看是否弄好了，类似下面的信息：

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号： iteblog_hadoop

　　除了上图的master.apps 和master.workers 监控，Ganglia里面还显示如下的信息：

01

{

02	"version": "3.0.0",

03	"gauges": {

04	"jvm.PS-MarkSweep.count": {

05	"value": 0

06

},

07	"jvm.PS-MarkSweep.time": {

08	"value": 0

09

},

10	"jvm.PS-Scavenge.count": {

11	"value": 186

12

},

13	"jvm.PS-Scavenge.time": {

14	"value": 375

15

},

16	"jvm.heap.committed": {

17	"value": 536412160

18

},

19	"jvm.heap.init": {

20	"value": 536870912

21

},

22	"jvm.heap.max": {

23	"value": 536412160

24

},

25	"jvm.heap.usage": {

26	"value": 0.315636349481712

27

},

28	"jvm.heap.used": {

29	"value": 169311176

30

},

31	"jvm.non-heap.committed": {

32	"value": 37879808

33

},

34	"jvm.non-heap.init": {

35	"value": 24313856

36

},

37	"jvm.non-heap.max": {

38	"value": 184549376

39

},

40	"jvm.non-heap.usage": {

41	"value": 0.19970542734319513

42

},

43	"jvm.non-heap.used": {

44	"value": 36855512

45

},

46	"jvm.pools.Code-Cache.usage": {

47	"value": 0.031689961751302086

48

},

49	"jvm.pools.PS-Eden-Space.usage": {

50	"value": 0.9052384254331968

51

},

52	"jvm.pools.PS-Old-Gen.usage": {

53	"value": 0.02212668565200476

54

},

55	"jvm.pools.PS-Perm-Gen.usage": {

56	"value": 0.26271122694015503

57

},

58	"jvm.pools.PS-Survivor-Space.usage": {

59	"value": 0.5714285714285714

60

},

61	"jvm.total.committed": {

62	"value": 574291968

63

},

64	"jvm.total.init": {

65	"value": 561184768

66

},

67	"jvm.total.max": {

68	"value": 720961536

69

},

70	"jvm.total.used": {

71	"value": 206166688

72

},

73	"master.apps": {

74	"value": 0

75

},

76	"master.waitingApps": {

77	"value": 0

78

},

79	"master.workers": {

80	"value": 0

81

}

82

},

83	"counters": { },

84	"histograms": { },

85	"meters": { },

86	"timers": { }

87

}