大数据hadoop应用常用打包方式 | 来唧唧歪歪(Ljjyy.com)

一、简介

在提交大数据作业到集群上运行时，通常需要先将项目打成JAR包。这里以Maven为例，常用打包方式如下：

不加任何插件，直接使用mvn package打包；
使用maven-assembly-plugin插件；
使用maven-shade-plugin插件；
使用maven-jar-plugin和maven-dependency-plugin插件；

以下分别进行详细的说明。

二、mvn package

不在POM中配置任何插件，直接使用mvn package进行项目打包，这对于没有使用外部依赖包的项目是可行的。但如果项目中使用了第三方JAR包，就会出现问题，因为mvn package打的JAR包中是不含有依赖包，会导致作业运行时出现找不到第三方依赖的异常。这种方式局限性比较大，因为实际的项目往往很复杂，通常都会依赖第三方JAR。

大数据框架的开发者也考虑到这个问题，所以基本所有的框架都支持在提交作业时使用--jars指定第三方依赖包，但是这种方式的问题同样很明显，就是你必须保持生产环境与开发环境中的所有JAR包版本一致，这是有维护成本的。

基于上面这些原因，最简单的是采用All In One的打包方式，把所有依赖都打包到一个JAR文件中，此时对环境的依赖性最小。要实现这个目的，可以使用Maven提供的maven-assembly-plugin或maven-shade-plugin插件。

三、maven-assembly-plugin插件

Assembly插件支持将项目的所有依赖、文件都打包到同一个输出文件中。目前支持输出以下文件类型：

zip
tar
tar.gz (or tgz)
tar.bz2 (or tbz2)
tar.snappy
tar.xz (or txz)
jar
dir
war

3.1 基本使用

在POM.xml中引入插件，指定打包格式的配置文件assembly.xml(名称可自定义)，并指定作业的主入口类：

<build>
    <plugins>
        <plugin>
            <artifactId>maven-assembly-plugin</artifactId>
            <configuration>
                <descriptors>
                    <descriptor>src/main/resources/assembly.xml</descriptor>
                </descriptors>
                <archive>
                    <manifest>
                        <mainClass>com.myhhub.wordcount.ClusterWordCountApp</mainClass>
                    </manifest>
                </archive>
            </configuration>
        </plugin>
    </plugins>
</build>

assembly.xml文件内容如下：

<assembly xmlns="http://maven.apache.org/ASSEMBLY/2.0.0"
          xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
          xsi:schemaLocation="http://maven.apache.org/ASSEMBLY/2.0.0 
                              http://maven.apache.org/xsd/assembly-2.0.0.xsd">
    
    <id>jar-with-dependencies</id>

    <!--指明打包方式-->
    <formats>
        <format>jar</format>
    </formats>

    <includeBaseDirectory>false</includeBaseDirectory>
    <dependencySets>
        <dependencySet>
            <outputDirectory>/</outputDirectory>
            <useProjectArtifact>true</useProjectArtifact>
            <unpack>true</unpack>
            <scope>runtime</scope>
            <!--这里以排除storm环境中已经提供的storm-core为例，演示排除Jar包-->
            <excludes>
                <exclude>org.apache.storm:storm-core</exclude>
            </excludes>
        </dependencySet>
    </dependencySets>
</assembly>

3.2 打包命令

采用maven-assembly-plugin进行打包时命令如下：

1	# mvn assembly:assembly

打包后会同时生成两个JAR包，其中后缀为jar-with-dependencies是含有第三方依赖的JAR包，后缀是由assembly.xml中<id>标签指定的，可以自定义修改。

四、maven-shade-plugin插件

maven-shade-plugin比maven-assembly-plugin功能更为强大，比如你的工程依赖很多的JAR包，而被依赖的JAR又会依赖其他的JAR包，这样,当工程中依赖到不同的版本的 JAR时，并且JAR中具有相同名称的资源文件时，shade插件会尝试将所有资源文件打包在一起时，而不是和assembly一样执行覆盖操作。

通常使用maven-shade-plugin就能够完成大多数的打包需求，其配置简单且适用性最广，因此建议优先使用此方式。

4.1 基本配置

采用maven-shade-plugin进行打包时候，配置示例如下：

<plugin>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-shade-plugin</artifactId>
    <configuration>
        <createDependencyReducedPom>true</createDependencyReducedPom>
        <filters>
            <filter>
                <artifact>*:*</artifact>
                <excludes>
                    <exclude>META-INF/*.SF</exclude>
                    <exclude>META-INF/*.sf</exclude>
                    <exclude>META-INF/*.DSA</exclude>
                    <exclude>META-INF/*.dsa</exclude>
                    <exclude>META-INF/*.RSA</exclude>
                    <exclude>META-INF/*.rsa</exclude>
                    <exclude>META-INF/*.EC</exclude>
                    <exclude>META-INF/*.ec</exclude>
                    <exclude>META-INF/MSFTSIG.SF</exclude>
                    <exclude>META-INF/MSFTSIG.RSA</exclude>
                </excludes>
            </filter>
        </filters>
        <artifactSet>
            <excludes>
                <exclude>org.apache.storm:storm-core</exclude>
            </excludes>
        </artifactSet>
    </configuration>
    <executions>
        <execution>
            <phase>package</phase>
            <goals>
                <goal>shade</goal>
            </goals>
            <configuration>
                <transformers>
                    <transformer
                       implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"/>
                    <transformer
                       implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                    </transformer>
                </transformers>
            </configuration>
        </execution>
    </executions>
</plugin>

以上配置来源于Storm Github，在上面的配置中，排除了部分文件，这是因为有些JAR包生成时，会使用jarsigner生成文件签名(完成性校验)，分为两个文件存放在META-INF目录下：

a signature file, with a .SF extension；
a signature block file, with a .DSA, .RSA, or .EC extension。

如果某些包的存在重复引用，这可能会导致在打包时候出现Invalid signature file digest for Manifest main attributes异常，所以在配置中排除这些文件。

4.2 打包命令

使用maven-shade-plugin进行打包的时候，打包命令和普通打包一样：

1	# mvn package

打包后会生成两个JAR包，提交到服务器集群时使用非original开头的JAR。

五、其他打包需求

1. 使用非Maven仓库中的Jar

通常上面两种打包能够满足大多数的使用场景。但是如果你想把某些没有被Maven管理JAR包打入到最终的JAR中，比如你在resources/lib下引入的其他非Maven仓库中的JAR，此时可以使用maven-jar-plugin和maven-dependency-plugin插件将其打入最终的JAR中。

<build>
    <plugins>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-jar-plugin</artifactId>
            <configuration>
                <archive>
                    <manifest>
                        <addClasspath>true</addClasspath>
                          <!--指定resources/lib目录-->
                        <classpathPrefix>lib/</classpathPrefix>
                          <!--应用的主入口类-->
                        <mainClass>com.myhhub.BigDataApp</mainClass>
                    </manifest>
                </archive>
            </configuration>
        </plugin>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-dependency-plugin</artifactId>
            <executions>
                <execution>
                    <id>copy</id>
                    <phase>compile</phase>
                    <goals>
                         <!--将resources/lib目录所有Jar包打进最终的依赖中-->
                        <goal>copy-dependencies</goal>
                    </goals>
                    <configuration>
                         <!--将resources/lib目录所有Jar包一并拷贝到输出目录的lib目录下-->
                        <outputDirectory>
                            ${project.build.directory}/lib
                        </outputDirectory>
                    </configuration>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

2. 排除集群中已经存在的Jar

通常为了避免冲突，官方文档都会建议你排除集群中已经提供的JAR包，如下：

Spark 官方文档 Submitting Applications 章节:

When creating assembly jars, list Spark and Hadoop as provided dependencies; these need not be bundled since they are provided by the cluster manager at runtime.

Strom官方文档 Running Topologies on a Production Cluster 章节：

Then run mvn assembly:assembly to get an appropriately packaged jar. Make sure you exclude the Storm jars since the cluster already has Storm on the classpath.

按照以上说明，排除JAR包的方式主要有两种：

对需要排除的依赖添加<scope>provided</scope>标签，此时该JAR包会被排除，但是不建议使用这种方式，因为此时你在本地运行也无法使用该JAR包；
建议直接在maven-assembly-plugin或maven-shade-plugin的配置文件中使用<exclude>进行排除。

3. 打包Scala文件

如果你使用到Scala语言进行编程，此时需要特别注意：默认情况下Maven是不会把scala文件打入最终的JAR中，需要额外添加maven-scala-plugin插件，常用配置如下：

<plugin>
    <groupId>org.scala-tools</groupId>
    <artifactId>maven-scala-plugin</artifactId>
    <version>2.15.1</version>
    <executions>
        <execution>
            <id>scala-compile</id>
            <goals>
                <goal>compile</goal>
            </goals>
            <configuration>
                <includes>
                    <include>**/*.scala</include>
                </includes>
            </configuration>
        </execution>
        <execution>
            <id>scala-test-compile</id>
            <goals>
                <goal>testCompile</goal>
            </goals>
        </execution>
    </executions>
</plugin>

参考资料

关于Maven各个插件的详细配置可以查看其官方文档：

maven-assembly-plugin : http://maven.apache.org/plugins/maven-assembly-plugin/
maven-shade-plugin : http://maven.apache.org/plugins/maven-shade-plugin/
maven-jar-plugin : http://maven.apache.org/plugins/maven-jar-plugin/
maven-dependency-plugin : http://maven.apache.org/components/plugins/maven-dependency-plugin/

关于maven-shade-plugin的更多配置也可以参考该博客： maven-shade-plugin 入门指南