创建Spark作业

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。
  • 当前Spark作业支持访问的外部数据源详情请参考DLI常用跨源分析开发方式。
  • 创建跨源连接操作请参见配置DLI与数据源网络连通（增强型跨源连接）。

    创建完跨源连接后，可以通过“资源管理 > 队列管理”页面，单击“操作”列“更多”中的“测试地址连通性”，验证队列到外部数据源之间的网络连通是否正常。详细操作可以参考测试地址连通性。

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》。

2. 选择运行队列。

   在下拉列表中选择要使用的队列。

3. 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。
   

   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。
4. 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。 支持选择已上传到DLI资源管理系统的类型为jar或pyFile的程序包名。也支持指定OBS路径，例如：obs://桶名/包名。 Spark3.3.x及以上版本仅支持选择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-flies）	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
   
5. 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。
     

     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=driver CPU核数+Executor个数*Executor CPU核数
     • 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。

6. 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。