计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive
本文导读

创建Spark作业

更新时间:2025-01-17 GMT+08:00

Spark作业编辑页面支持执行Spark作业,为用户提供全托管式的Spark计算服务。

在总览页面,单击Spark作业右上角的“创建作业”,或在Spark作业管理页面,单击右上角的“创建作业”,均可进入Spark作业编辑页面。

进入Spark作业编辑页面,页面会提示系统将创建DLI临时数据桶。该桶用于存储使用DLI服务产生的临时数据,例如:作业日志、作业结果等。如果不创建该桶,将无法查看作业日志。可以通过配置生命周期规则实现定时删除OBS桶中的对象或者定时转换对象的存储类别。桶名称为系统默认。

如果不需要创建DLI临时数据桶,并且希望不再收到该提示,可以勾选“下次不再提示”并单击“取消”

前提条件

  • 请先将所要依赖的程序包通过“数据管理>程序包管理”页面上传至对应的OBS桶中。具体操作请参考创建DLI程序包
  • 创建Spark作业,访问其他外部数据源时,如访问OpenTSDB、HBase、Kafka、DWS、RDS、CSS、CloudTable、DCS Redis、DDS等,需要先创建跨源连接,打通作业运行队列到外部数据源之间的网络。

操作步骤

  1. 在DLI管理控制台的左侧导航栏中,单击作业管理>Spark作业,进入“Spark作业”页面。

    单击右上角的“创建作业”,在Spark作业编辑窗口,可以选择使用“表单模式”或者“API模式”进行参数设置。

    以下以“表单模式”页面进行说明,“API模式”即采用API接口模式设置参数及参数值,具体请参考《数据湖探索API参考》。

  1. 选择运行队列。

    在下拉列表中选择要使用的队列。

  2. 选择Spark版本。在下拉列表中选择支持的Spark版本,推荐使用最新版本。
    说明:

    不建议长期混用不同版本的Spark/Flink引擎。

    • 长期混用不同版本的Spark/Flink引擎会导致代码在新旧版本之间不兼容,影响作业的执行效率。
    • 当作业依赖于特定版本的库或组件,长期混用不同版本的Spark/Flink引擎可能会导致作业因依赖冲突而执行失败。
  3. 作业配置。

    参考表1配置作业参数。

    图1 Spark作业配置
    表1 作业配置参数说明

    参数名称

    参数描述

    作业名称(--name)

    设置作业名称。

    应用程序

    选择需要执行的程序包。包括“.jar”和“.py”两种类型。

    Jar包的管理方式:

    • 上传OBS管理程序包:提前将对应的jar包上传至OBS桶中。并在此处选择对应的OBS路径。
    • 上传DLI管理程序包:提前将对应的jar包上传至OBS桶中,并在DLI管理控制台的数据管理>程序包管理中创建程序包,具体操作请参考创建DLI程序包

    Spark3.3.x及以上版本只能选择OBS路径下的程序包。

    主类(--class)

    输入主类名称。当应用程序类型为“.jar”时,主类名称不能为空。

    应用程序参数

    用户自定义参数,多个参数请以Enter键分隔。

    应用程序参数支持全局变量替换。例如,在“全局配置”>“全局变量”中新增全局变量key为batch_num,可以使用{{batch_num}},在提交作业之后进行变量替换。

    Spark参数(--conf)

    以“key=value”的形式设置提交Spark作业的属性,多个参数以Enter键分隔。

    Spark参数value支持全局变量替换。例如,在“全局配置”>“全局变量”中新增全局变量key为custom_class,可以使用"spark.sql.catalog"={{custom_class}},在提交作业之后进行变量替换。

    说明:
    • Spark作业不支持自定义设置jvm垃圾回收算法。
    • 如果选择Spark版本为3.1.1时,需在Spark参数(--conf)配置跨源作业的依赖模块。配置样例请参考表2

    作业特性

    “所属队列”选择CCE队列时,设置该参数。表示用户作业使用的Spark镜像类型,具体说明如下:

    • 基础型:DLI提供的基础镜像,运行非AI相关作业时选择“基础型”
    • 自定义镜像:自定义的Spark镜像,需要选择“容器镜像服务”中设置的镜像名称及版本。

    依赖jar包(--jars)

    运行spark作业依赖的jars。可以输入jar包名称,也可以输入对应jar包文件的OBS路径,格式为:obs://桶名/文件夹路径名/包名。

    依赖python文件(--py-files)

    运行spark作业依赖的py-files。可以输入Python文件名称,也可以输入Python文件对应的OBS路径,格式为:obs://桶名/文件夹路径名/文件名。

    其他依赖文件(--files)

    运行spark作业依赖的其他files。可以输入依赖文件名称,也可以输入对应的OBS路径,格式为:obs://桶名/文件夹路径名/文件名。

    依赖分组

    在创建程序包时,如果选择了分组,在此处选择对应的分组,则可以同时选中该分组中的所有程序包和文件。创建程序包操作请参考创建DLI程序包

    访问元数据

    是否通过Spark作业访问元数据。具体请参考《数据湖探索开发指南》。

    是否重试

    作业失败后是否进行重试。

    选择“是”需要配置以下参数:

    “最大重试次数”:设置作业失败重试次数,最大值为“100”。

    高级配置

    • 暂不配置
    • 现在配置:包括以下两项参数
      • 选择依赖资源:具体参数请参考表3
      • 计算资源规格:具体参数请参考表4
    表2 Spark参数(--conf)配置跨源作业的依赖模块说明

    数据源类型

    样例

    CSS

    spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/css/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/css/*

    DWS

    spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/dws/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/dws/*

    HBase

    spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/hbase/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/hbase/*

    OpenTSDB

    park.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/opentsdb/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/opentsdb/*

    RDS

    spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/rds/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/rds/*

    Redis

    spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/redis/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/redis/*

    Mongo

    spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/mongo/*

    spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/mongo/*

    图2 创建Spark作业-高级配置
  4. 高级包括以下两项参数:
    • 选择依赖资源:具体参数请参考表3
    • 计算资源规格:具体参数请参考表4
      说明:

      Spark资源并行度由Executor数量和Executor CPU核数共同决定。

      任务可并行执行的最大Task数量=Executor个数 * Executor CPU核数。

      您可以根据购买的队列资源合理规划计算资源规格。

      需要注意的是,Spark任务执行需要driver、executor等多个角色共同调度完成,因此“Executor个数*Executor CPU核数”要小于队列的计算资源CU数,避免其他Spark任务角色无法启动。更多Spark任务角色的相关信息请参考Spark官方

      Spark作业参数计算公式:

      • CU数量=实际CU数量=max{(driver CPU核数+Executor个数*Executor CPU核数),[(driver CPU内存数+Executor个数*Executor内存)/4]}
      • 内存数=driver内存+(Executor个数*Executor内存)
    表3 选择依赖资源参数说明

    参数名称

    参数描述

    modules

    如果选择Spark版本为3.1.1时,无需选择Module模块, 需在Spark参数(--conf)配置跨源作业的依赖模块。

    DLI系统提供的用于执行跨源作业的依赖模块访问各个不同的服务,选择不同的模块:
    • CloudTable/MRS HBase: sys.datasource.hbase
    • DDS:sys.datasource.mongo
    • CloudTable/MRS OpenTSDB: sys.datasource.opentsdb
    • DWS: sys.datasource.dws
    • RDS MySQL: sys.datasource.rds
    • RDS PostGre: sys.datasource.rds
    • DCS: sys.datasource.redis
    • CSS: sys.datasource.css

    DLI内部相关模块:

    • sys.res.dli-v2
    • sys.res.dli
    • sys.datasource.dli-inner-table

    资源包

    运行spark作业依赖的jar包。

    表4 计算资源规格参数说明

    参数名称

    参数描述

    资源规格

    下拉选择所需的资源规格。系统提供3种资源规格供您选择。

    资源规格包含以下参数:

    • Executor内存
    • Executor CPU核数
    • Executor个数
    • driver CPU核数
    • driver内存

    最终配置结果以修改后数据为准。

    Executor内存

    在所选资源规格基础上自定义Executor内存规格。

    代表每个Executor的内存。通常建议Executor CPU核数:Executor内存=1:4。

    Executor CPU核数

    用于设置Spark作业申请的每个Executor的CPU核数,决定每个Executor并行执行Task的能力。

    Executor个数

    用于设置Spark作业申请的Executor的数量。

    driver CPU核数

    用于设置driver CPU核数。

    driver内存

    用于设置driver内存大小,通常建议即driver CPU核数:driver内存=1:4。

    如果选择Spark版本为3.3.1时,支持在Spark参数(--conf)配置计算资源规格参数, 且conf的配置优先级高于高级配置指定的值。

    参数对应关系请参考表5

    说明:

    在Spark参数(--conf)配置计算资源规格参数时,可以配置单位 M/G/K,不配置时候默认单位为byte。

    表5 控制台计算资源规格参数与Spark参数(--conf)配置计算资源规格参数的对应关系

    控制台参数名称

    Spark参数(--conf)配置项参数名称

    说明

    约束与限制

    Executor内存

    完整的Executor内存=spark.executor.memory + spark.executor.memoryOverhead

    spark.executor.memory

    executor内存,可配置。

    -

    spark.executor.memoryOverhead

    Spark应用程序中每个执行器(executor)的堆外内存量。该参数不可配置:

    spark.executor.memoryOverhead=spark.executor.memory * spark.executor.memoryOverheadFactor

    最小值为384M,

    即当spark.executor.memory * spark.executor.memoryOverheadFactor的值小于384M时系统自动配置为384M。

    spark.executor.memoryOverheadFactor

    该参数定义了堆外内存分配量与堆内内存分配量之比,spark jar时默认0.1,spark python 默认0.4 可配置

    spark.executor.memoryOverheadFactor优先级高于spark.kubernetes.memoryOverheadFactor

    Executor CPU核数

    spark.executor.cores

    对应executor核数 可配置

    -

    Executor个数

    spark.executor.instances

    对应executor个数 可配置

    -

    driver CPU核数

    spark.driver.cores

    对应driver核数 可配置

    -

    driver内存

    完整的driver内存=spark.driver.memory + spark.edriver.memoryOverhead

    spark.driver.memory

    对应driver内存 可配置

    -

    spark.driver.memoryOverhead

    Spark应用程序中每个driver的堆外内存量。

    该参数不可配置:

    spark.driver.memoryOverhead=

    spark.driver.memory * spark.driver.memoryOverheadFactor

    最小值为384M,即当spark.driver.memory * spark.driver.memoryOverheadFactor 的值小于384M时系统自动配置为384M。

    spark.driver.memoryOverheadFactor

    该参数定义了堆外内存分配量与堆内内存分配量之比,spark jar时默认0.1,spark python 默认0.4 可配置

    spark.driver.memoryOverheadFactor优先级高于spark.kubernetes.memoryOverheadFactor

    -

    spark.kubernetes.memoryOverheadFactor

    用于设置在分配给Spark Executor的内存之外分配的内存量。spark jar时默认0.1,spark python 默认0.4 可配置

    spark.executor.memoryOverheadFactor和spark.driver.memoryOverheadFactor优先级高于spark.kubernetes.memoryOverheadFactor。

    Spark3.3.及以上版本增加了对作业的计算资源规格的约束限制。详细信息请参考表6

    注意:

    若计算资源规格配置值设置得过高,超出了集群或项目的资源分配能力,作业可能会因资源申请失败导致运行错误。

    表6 计算资源规格取值范围

    参数说明

    标准版弹性资源池修改后限制

    基础版弹性资源池

    Executor内存

    450MB-64GB

    450MB-16GB

    Executor CPU核数

    0-16

    0-4

    Executor个数

    无限制

    无限制

    driver CPU核数

    0-16

    0-4

    driver内存

    450MB-64GB

    450MB-16GB

    作业CU配额

    无限制

    无限制

  5. 完成作业的参数配置后,单击Spark作业编辑页面右上方“执行”,提交作业。

    当页面显示“批处理作业提交成功”,可在“Spark作业”管理页面查看提交作业的状态及日志等。

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容