如何在气流中运行 Spark 代码？

python java apache-spark directed-acyclic-graphs airflow

2022-09-01 02:35:23

你好，地球人！我正在使用 Airflow 来计划和运行 Spark 任务。到这个时候，我发现的只是Airflow可以管理的python DAG。
DAG 示例：

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
)

问题是我不擅长Python代码，并且有一些任务是用Java编写的。我的问题是如何在python DAG中运行Spark Java jar？或者也许还有其他方法可以做到这一点？我发现了spark submit：http://spark.apache.org/docs/latest/submitting-applications.html
但是我不知道如何将所有内容连接在一起。也许有人以前用过它，并且有工作的例子。感谢您抽出宝贵时间接受采访！

答案 1

您应该能够使用。保持其余代码不变，导入所需的类和系统包：BashOperator

from airflow.operators.bash_operator import BashOperator

import os
import sys

设置所需的路径：

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

并添加运算符：

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
)

您可以轻松扩展它以使用 Jinja 模板提供其他参数。

当然，您可以通过替换为适合您情况的模板来调整此非 Spark 方案，例如：bash_command

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

并调整。params

答案 2

气流自版本1.8（今天发布）起，已

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

SparkSQLHook code - 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

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

请注意，从1.8版本开始，这两个新的Spark运算符/钩子位于“contrib”分支中，因此没有（很好地）记录。

因此，您可以使用 SparkSubmitOperator 提交 Java 代码以执行 Spark。