Как запустить Spark-код в Airflow?

Question

Привет люди Земли! Я использую Airflow для планирования и запуска задач Spark. Все, что я нашел к этому времени, это Python DAG, которыми может управлять Airflow.
Пример DAG:

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
)

Проблема в том, что я плохо разбираюсь в коде Python, и у меня есть некоторые задачи, написанные на Java. У меня вопрос, как запустить Spark Java JAR в Python DAG? Или, может быть, есть другой способ сделать это? Я обнаружил, что иск отправляю: http://spark.apache.org/docs/latest/submitting-applications.html
Но я не знаю, как все соединить. Может быть, кто-то использовал это раньше и имеет рабочий пример. Спасибо за ваше время!

Answer 1

Вы должны быть в состоянии использовать BashOperator, Сохраняя оставшуюся часть кода как есть, импортируйте требуемый класс и системные пакеты:

from airflow.operators.bash_operator import BashOperator

import os
import sys

установить необходимые пути:

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

и добавьте оператор:

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
)

Вы можете легко расширить это, чтобы предоставить дополнительные аргументы, используя шаблоны Jinja.

Вы, конечно, можете настроить это для сценария без Spark, заменив bash_command с шаблоном, подходящим в вашем случае, например:

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

и корректировка params,

Answer 2

Воздушный поток начиная с версии 1.8 (выпущен сегодня), имеет

• SparkSqlOperator - https://github.com/apache/incubator-airflow/blob/master/airflow/contrib/operators/spark_sql_operator.py;

Код SparkSQLHook - https://github.com/apache/incubator-airflow/blob/master/airflow/contrib/hooks/spark_sql_hook.py

• SparkSubmitOperator - https://github.com/apache/incubator-airflow/blob/master/airflow/contrib/operators/spark_submit_operator.py

Код SparkSubmitHook - https://github.com/apache/incubator-airflow/blob/master/airflow/contrib/hooks/spark_submit_hook.py

Обратите внимание, что эти два новых оператора / хука Spark находятся в ветке "contrib" начиная с версии 1.8, поэтому не (хорошо) документированы.

Таким образом, вы можете использовать SparkSubmitOperator, чтобы отправить свой Java-код для выполнения Spark.

Answer 3

Есть пример SparkSubmitOperator использование для Spark 2.3.1 на Kubernetes (экземпляр Minikube):

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': '[e-mail]',
    'depends_on_past': False,
    'start_date': datetime(2018, 7, 27),
    'email': ['[e-mail]'],
    '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)

Код, использующий переменные, хранящиеся в переменных Airflow:

Кроме того, вам нужно создать новое искровое соединение или отредактировать существующее "spark_default" с помощью дополнительного словаря. {"queue":"root.default", "deploy-mode":"cluster", "spark-home":"", "spark-binary":"spark-submit", "namespace":"default"}:

Answer 4

Перейти к Admin-> Connection-> Createв пользовательском интерфейсе Airflow. Создайте новое SSH-соединение, указав хост = IP-адрес, порт = 22 и дополнительные параметры. {"key_file": "/path/to/pem/file", "no_host_key_check":true}

Этот хост должен быть мастером кластера Spark, с которого вы можете отправлять spark-jobs. Далее вам нужно создать DAG с помощью SSHOperator. Ниже приведен шаблон для этого.

      with DAG(dag_id='ssh-dag-id',
     schedule_interval="05 12 * * *",
     catchup=False) as dag:
     
spark_job = ("spark-submit --class fully.qualified.class.name "
             "--master yarn "
             "--deploy-mode client "
             "--driver-memory 6G "
             "--executor-memory 6G "
             "--num-executors 6 "
             "/path/to/your-spark.jar")

ssh_run_query = SSHOperator(
    task_id="random_task_id",
    ssh_conn_id="name_of_connection_you just_created",
    command=spark_job,
    get_pty=True,
    dag=dag)

ssh_run_query

Вот и все. Вы также получаете полные журналы для этого задания Spark в Airflow.