web-dev-qa-db-ja.com

AirflowでSparkコードを実行するには？

こんにちは、地球の人々！ Airflowを使用してSparkタスクをスケジュールおよび実行しています。今回見つかったのは、Airflowが管理できるpython DAGです。
DAGの例：

spark_count_lines.py
import logging

from airflow import DAG
from airflow.operators import PythonOperator

from datetime import datetime

args = {
  'owner': 'airflow'
  , 'start_date': datetime(2016, 4, 17)
  , 'provide_context': True
}

dag = DAG(
  'spark_count_lines'
  , start_date = datetime(2016, 4, 17)
  , schedule_interval = '@hourly'
  , default_args = args
)

def run_spark(**kwargs):
  import pyspark
  sc = pyspark.SparkContext()
  df = sc.textFile('file:///opt/spark/current/examples/src/main/resources/people.txt')
  logging.info('Number of lines in people.txt = {0}'.format(df.count()))
  sc.stop()

t_main = PythonOperator(
  task_id = 'call_spark'
  , dag = dag
  , python_callable = run_spark
)

問題は、私はPythonコードが苦手で、Javaでいくつかのタスクを記述していることです。私の質問は、Spark DAGでJava python jarを実行する方法ですか？それとも他の方法がありますか？ spark submit： http://spark.Apache.org/docs/latest/submitting-applications.html を見つけました。
しかし、私はすべてを結びつける方法がわかりません。たぶん誰かが前にそれを使用し、実際の例を持っています。お時間をいただきありがとうございます！

javapythonapache-sparkdirected-acyclic-graphsairflow
29
Ruslan Lomov

BashOperatorを使用できるはずです。コードの残りをそのままにして、必要なクラスとシステムパッケージをインポートします。

from airflow.operators.bash_operator import BashOperator

import os
import sys

必要なパスを設定します。

os.environ['SPARK_HOME'] = '/path/to/spark/root'
sys.path.append(os.path.join(os.environ['SPARK_HOME'], 'bin'))

演算子を追加します。

spark_task = BashOperator(
    task_id='spark_Java',
    bash_command='spark-submit --class {{ params.class }} {{ params.jar }}',
    params={'class': 'MainClassName', 'jar': '/path/to/your.jar'},
    dag=dag
)

これを簡単に拡張して、Jinjaテンプレートを使用して追加の引数を提供できます。

もちろん、Spark以外のシナリオでは、bash_commandあなたの場合に適したテンプレートを使って、例えば：

bash_command = 'Java -jar {{ params.jar }}'

paramsを調整します。

18
user6910411

バージョン1.8（本日リリース）のエアフローには、

SparkSQLHookコード- https://github.com/Apache/incubator-airflow/blob/master/airflow/contrib/hooks/spark_sql_hook.py

SparkSubmitHookコード- https://github.com/Apache/incubator-airflow/blob/master/airflow/contrib/hooks/spark_submit_hook.py

これら2つの新しいSpark=演算子/フックは1.8バージョンの時点で「contrib」ブランチにあるため、文書化されていません。

そのため、SparkSubmitOperatorを使用して、JavaコードをSpark実行のために送信します。

20
Tagar

Kubernetes（minikubeインスタンス）でのSpark 2.3.1のSparkSubmitOperatorの使用例があります。

"""
Code that goes along with the Airflow located at:
http://airflow.readthedocs.org/en/latest/tutorial.html
"""
from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from airflow.contrib.operators.spark_submit_operator import SparkSubmitOperator
from airflow.models import Variable
from datetime import datetime, timedelta

default_args = {
    'owner': '[email protected]',
    'depends_on_past': False,
    'start_date': datetime(2018, 7, 27),
    'email': ['[email protected]'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5),
    # 'queue': 'bash_queue',
    # 'pool': 'backfill',
    # 'priority_weight': 10,
    'end_date': datetime(2018, 7, 29),
}

dag = DAG(
    'tutorial_spark_operator', default_args=default_args, schedule_interval=timedelta(1))

t1 = BashOperator(
    task_id='print_date',
    bash_command='date',
    dag=dag)

print_path_env_task = BashOperator(
    task_id='print_path_env',
    bash_command='echo $PATH',
    dag=dag)

spark_submit_task = SparkSubmitOperator(
    task_id='spark_submit_job',
    conn_id='spark_default',
    Java_class='com.ibm.cdopoc.DataLoaderDB2COS',
    application='local:///opt/spark/examples/jars/cppmpoc-dl-0.1.jar',
    total_executor_cores='1',
    executor_cores='1',
    executor_memory='2g',
    num_executors='2',
    name='airflowspark-DataLoaderDB2COS',
    verbose=True,
    driver_memory='1g',
    conf={
        'spark.DB_URL': 'jdbc:db2://dashdb-dal13.services.dal.bluemix.net:50001/BLUDB:sslConnection=true;',
        'spark.DB_USER': Variable.get("CEDP_DB2_WoC_User"),
        'spark.DB_PASSWORD': Variable.get("CEDP_DB2_WoC_Password"),
        'spark.DB_DRIVER': 'com.ibm.db2.jcc.DB2Driver',
        'spark.DB_TABLE': 'MKT_ATBTN.MERGE_STREAM_2000_REST_API',
        'spark.COS_API_KEY': Variable.get("COS_API_KEY"),
        'spark.COS_SERVICE_ID': Variable.get("COS_SERVICE_ID"),
        'spark.COS_ENDPOINT': 's3-api.us-geo.objectstorage.softlayer.net',
        'spark.COS_BUCKET': 'data-ingestion-poc',
        'spark.COS_OUTPUT_FILENAME': 'cedp-dummy-table-cos2',
        'spark.kubernetes.container.image': 'ctipka/spark:spark-docker',
        'spark.kubernetes.authenticate.driver.serviceAccountName': 'spark'
        },
    dag=dag,
)

t1.set_upstream(print_path_env_task)
spark_submit_task.set_upstream(t1)

エアフロー変数に保存された変数を使用するコード： enter image description here

また、新しいspark接続を作成するか、既存の 'spark_default'を追加の辞書{"queue":"root.default", "deploy-mode":"cluster", "spark-home":"", "spark-binary":"spark-submit", "namespace":"default"}で編集する必要があります： enter image description here

10
CTiPKA