更新时间:2024-11-07 GMT+08:00

创建Spark作业

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。

    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程序包

    Spark3.3.x及以上版本建议选择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

      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。

  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。