在提交Spark on MaxCompute作业后，通过MaxCompute提供的Logview工具能够获取作业日志，以检查作业是否已正常提交并执行。
功能介绍
以logview.odps.aliyun.com开头的URL，称为LogView。Spark on MaxCompute通过Spark-submit方式（DataWorks执行Spark任务时也会产生相应日志）成功提交作业后，MaxCompute会创建一个Instance，并在日志中打印Instance的Logview，根据Logview能够追踪作业的运行情况。
主要包含以下功能：
获取作业类型和状态、各节点的启停调度信息。如图所示：
查看Driver以及每个Executor在运行时的内存和CPU使用情况。如上图点击Sensor查看。
获取作业各节点的标准输入输出日志。Spark结果输出建议打印到StdOut，Spark的log4j日志则默认输出到StdErr。如下图所示：
Spark Driver节点日志对应于LogView Master StdOut/StdErr。
Spark Executor节点日志对应于LogView Worker StdOut/StdErr。
通过
System.out.println()输出到控制台的日志会显示在StdOut中。通过log插件打印的日志会显示在StdErr中。
通过System.out.println()输出到控制台的日志会显示在StdOut中。
利用LogView排查问题
在浏览器中打开日志输出的Logview，查看CUPID类型作业的运行情况。
排查过程中首先查看Master Stderr/Stdout 报错，Master一般会包含关键性的错误。更多问题详情请参见Spark常见问题。
出现连接外部服务Time out，参考访问阿里云VPC检查任务配置。
出现类或者方法找不到，参考Java/Scala类冲突问题检查作业打包。
出现Executor连接失败或找不到Chunk等错误，需要进一步查看Executor的报错，是否有OOM问题，参考运行时OOM问题。
出现
System internal error相关的报错日志，可能是配置或平台导致的问题，可以通过工单联系我们进一步排查。
若Executor异常退出，在LogView中的状态为Failed，可以优先查看这些Worker的日志。
使用Sensor查看资源使用情况：
Sensor提供了一种可视化的方式监控运行中的Spark进程，每个worker（Executor）及master（Driver）都具有各自的状态监控图，LogView中入口，如下图所示：
Basic Metrics
下图提供了Master和Worker在其生命周期内的CPU和内存的使用情况：
cpu_usage图展示任务运行中的CPU利用率
memory_usage图展示任务运行中的Memory利用率
cpu_plan/mem_plan（蓝线）代表了用户申请的CPU和内存计划量
Memory Metrics
下图提供了Spark任务运行所需的实际内存和磁盘中数据缓存所占内存。
mem_rss代表了进程所占用的常驻内存，这部分内存是Spark任务运行所使用的实际内存，通常需要关注，如果该内存超过申请的内存量，就可能会发生OOM，导致Driver/Executor进程终止。
此外，该曲线也可以用于指导内存优化，如果实际使用量远远小于用户申请量，则可以减少内存申请，极大化利用资源，降低成本。
mem_cache（page_cache）用于将磁盘中的数据缓存到内存中，从而减少磁盘I/O操作，通常由系统进行管理，如果物理机内存充足，那么mem_cache可能会使用很多，用户可以不必关心该内存的分配和回收。
