As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Configuração das propriedades do Apache Log4j2 para o Amazon EMR Sem Servidor

Esta página descreve como configurar propriedades personalizadas do Apache Log4j 2.x para trabalhos do EMR Sem Servidor em StartJobRun. Se você quiser configurar as classificações do Log4j no nível do aplicativo, consulte. Configuração padrão de aplicações do EMR Sem Servidor

Configuração das propriedades do Log4j2 do Spark para o Amazon EMR Sem Servidor

Com as versões 6.8.0 e posteriores do Amazon EMR, você pode personalizar as propriedades do Apache Log4j 2.x e especificar configurações de log refinadas. Isso simplifica a solução de problemas dos tranalhos do Spark no EMR Sem Servidor. Para configurar essas propriedades, use as classificações spark-driver-log4j2 e spark-executor-log4j2.

Classificações do Log4j2 para o Spark

Para personalizar as configurações de log do Spark, use as classificações a seguir com applicationConfiguration. Para configurar as propriedades do Log4j 2.x, use as properties a seguir.

Exemplo de configuração do Log4j2 para o Spark

O exemplo a seguir mostra como enviar um trabalho do Spark com applicationConfiguration para personalizar as configurações do Log4j2 para o driver e o executor do Spark.

Para configurar as classificações do Log4j no nível do aplicativo, em vez de quando você envia o trabalho, consulte. Configuração padrão de aplicações do EMR Sem Servidor

aws emr-serverless start-job-run \
    --application-id application-id \
    --execution-role-arn job-role-arn \
    --job-driver '{
        "sparkSubmit": {
            "entryPoint": "/usr/lib/spark/examples/jars/spark-examples.jar",
            "entryPointArguments": ["1"],
            "sparkSubmitParameters": "--class org.apache.spark.examples.SparkPi --conf spark.executor.cores=4 --conf spark.executor.memory=20g --conf spark.driver.cores=4 --conf spark.driver.memory=8g --conf spark.executor.instances=1"
        }
    }'
    --configuration-overrides '{
        "applicationConfiguration": [
             {
                "classification": "spark-driver-log4j2",
                "properties": {
                    "rootLogger.level":"error", // will only display Spark error logs
                    "logger.IdentifierForClass.name": "classpath for setting logger",
                    "logger.IdentifierForClass.level": "info"
                   
                }
            },
            {
                "classification": "spark-executor-log4j2",
                "properties": {
                    "rootLogger.level":"error", // will only display Spark error logs
                    "logger.IdentifierForClass.name": "classpath for setting logger",
                    "logger.IdentifierForClass.level": "info"
                }
            }
       ]
    }'

Log4j2 em exemplos de trabalhos do Spark

Os exemplos de código a seguir demonstram como criar uma aplicação do Spark enquanto você inicializa uma configuração personalizada do Log4j2 para a aplicação.

Python

exemplo - Usando o Log4j2 para um trabalho do Spark com Python

import os
import sys

from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession

app_name = "PySparkApp"
if __name__ == "__main__":
    spark = SparkSession\
        .builder\
        .appName(app_name)\
        .getOrCreate()
    
    spark.sparkContext._conf.getAll()
    sc = spark.sparkContext
    log4jLogger = sc._jvm.org.apache.log4j
    LOGGER = log4jLogger.LogManager.getLogger(app_name)

    LOGGER.info("pyspark script logger info")
    LOGGER.warn("pyspark script logger warn")
    LOGGER.error("pyspark script logger error")
    
    // your code here
    
    spark.stop()

Para personalizar o Log4j2 para o driver ao executar uma tarefa do Spark, use a seguinte configuração:

{
   "classification": "spark-driver-log4j2",
      "properties": {
          "rootLogger.level":"error", // only display Spark error logs
          "logger.PySparkApp.level": "info", 
          "logger.PySparkApp.name": "PySparkApp"
      }
}

Scala

exemplo - Usando o Log4j2 para um trabalho do Spark com Scala

import org.apache.log4j.Logger
import org.apache.spark.sql.SparkSession

object ExampleClass {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession
    .builder
    .appName(this.getClass.getName)
    .getOrCreate()

    val logger = Logger.getLogger(this.getClass);
    logger.info("script logging info logs")
    logger.warn("script logging warn logs")
    logger.error("script logging error logs")

// your code here
    spark.stop()
  }
}

Para personalizar o Log4j2 para o driver ao executar uma tarefa do Spark, use a seguinte configuração:

{
   "classification": "spark-driver-log4j2",
      "properties": {
          "rootLogger.level":"error", // only display Spark error logs
          "logger.ExampleClass.level": "info", 
          "logger.ExampleClass.name": "ExampleClass"
      }
}

Considerações sobre o Log4j2 para o Spark

As seguintes propriedades do Log4j2.x não são configuráveis para processos do Spark:

Para obter informações detalhadas sobre as propriedades do Log4j2.x que configuram, consulte o arquivo em. log4j2.properties.template GitHub