创建Spark作业
DLI 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。
- 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
- 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》。
- 选择运行队列。
- 队列:在下拉列表中选择要使用的队列。
- 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引擎。
- 长期混用不同版本的Spark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引擎可能会导致作业因依赖冲突而执行失败。
- 应用程序配置。
表1 应用程序配置参数说明 参数名称
参数描述
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管理控制台的创建DLI程序包。 中创建程序包,具体操作请参考
Spark3.3.x及以上版本只能选择OBS路径下的程序包。
委托
使用Spark 3.3.1(Spark通用队列场景)及以上版本的引擎执行作业时,需要您先在IAM页面创建相关委托,并在此处添加新建的委托信息。具体操作请参考自定义DLI委托权限。
常见新建委托场景:允许DLI读写OBS将日志转储、允许DLI在访问DEW获取数据访问凭证、允许访问Catalog获取元数据等场景。
了解更多DLI委托权限设置。
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。
- 作业配置。
表2 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。
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3。
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4。
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。
访问元数据
选择是否开启Spark作业访问元数据。如果需要配置作业访问的元数据类型时启用该选项。默认访问DLI元数据。
开启后还需要选择元数据来源。
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”。
表3 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
spark.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/*
表4 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。
- 依赖配置(可选)
表5 依赖配置参数说明 参数名称
参数描述
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。
Spark 3.3.x及以上版本不支持配置分组信息。
- 高级包括以下两项参数:
- 选择依赖资源:具体参数请参考表6。
- 计算资源规格:具体参数请参考表7。
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6 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。
Spark 3.3.x及以上版本不支持配置resources参数,请在jars、pyFiles、files中配置资源包信息。
表7 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。
- Spark3.3.1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8。
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。
- 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。