Apache spark Airflow SparkSubmitOperator-如何在另一台服务器中激发提交
我不熟悉气流和火花,我正在努力使用火花Submitor 我们的airflow scheduler和hadoop群集不是在同一台机器上设置的(第一个问题:这是一种好的做法吗?) 我们有许多自动过程需要调用pyspark脚本。这些pyspark脚本存储在hadoop集群中(10.70.1.35)。气流DAG存储在气流机(10.70.1.22)中 目前,当我们想要spark提交带有airflow的pyspark脚本时,我们使用一个简单的Bash操作符,如下所示:Apache spark Airflow SparkSubmitOperator-如何在另一台服务器中激发提交,apache-spark,hadoop,airflow,Apache Spark,Hadoop,Airflow,我不熟悉气流和火花,我正在努力使用火花Submitor 我们的airflow scheduler和hadoop群集不是在同一台机器上设置的(第一个问题:这是一种好的做法吗?) 我们有许多自动过程需要调用pyspark脚本。这些pyspark脚本存储在hadoop集群中(10.70.1.35)。气流DAG存储在气流机(10.70.1.22)中 目前,当我们想要spark提交带有airflow的pyspark脚本时,我们使用一个简单的Bash操作符,如下所示: cmd = "ssh hadoop@1
cmd = "ssh hadoop@10.70.1.35 spark-submit \
--master yarn \
--deploy-mode cluster \
--executor-memory 2g \
--executor-cores 2 \
/home/hadoop/pyspark_script/script.py"
t = BashOperator(task_id='Spark_datamodel',bash_command=cmd,dag=dag)
它工作得非常好。但是我们想开始使用SparkSubmitOperator来提交pyspark脚本
我试过这个:
from airflow import DAG
from datetime import timedelta, datetime
from airflow.contrib.operators.spark_submit_operator import
SparkSubmitOperator
from airflow.operators.bash_operator import BashOperator
from airflow.models import Variable
dag = DAG('SPARK_SUBMIT_TEST',start_date=datetime(2018,12,10),
schedule_interval='@daily')
sleep = BashOperator(task_id='sleep', bash_command='sleep 10',dag=dag)
_config ={'application':'hadoop@10.70.1.35:/home/hadoop/pyspark_script/test_spark_submit.py',
'master' : 'yarn',
'deploy-mode' : 'cluster',
'executor_cores': 1,
'EXECUTORS_MEM': '2G'
}
spark_submit_operator = SparkSubmitOperator(
task_id='spark_submit_job',
dag=dag,
**_config)
sleep.set_downstream(spark_submit_operator)
语法应该是正确的,因为dag不会显示为已断开。但当它运行时,它会给我以下错误:
[2018-12-14 03:26:42,600] {logging_mixin.py:95} INFO - [2018-12-14
03:26:42,600] {base_hook.py:83} INFO - Using connection to: yarn
[2018-12-14 03:26:42,974] {logging_mixin.py:95} INFO - [2018-12-14
03:26:42,973] {spark_submit_hook.py:283} INFO - Spark-Submit cmd:
['spark-submit', '--master', 'yarn', '--executor-cores', '1', '--name',
'airflow-spark', '--queue', 'root.default',
'hadoop@10.70.1.35:/home/hadoop/pyspark_script/test_spark_submit.py']
[2018-12-14 03:26:42,977] {models.py:1760} ERROR - [Errno 2] No such
file or directory: 'spark-submit'
Traceback (most recent call last):
File "/home/dataetl/anaconda3/lib/python3.6/site-
packages/airflow/models.py", line 1659, in _run_raw_task
result = task_copy.execute(context=context)
File "/home/dataetl/anaconda3/lib/python3.6/site-
packages/airflow/contrib/operators/spark_submit_operator.py", line
168,
in execute
self._hook.submit(self._application)
File "/home/dataetl/anaconda3/lib/python3.6/site-
packages/airflow/contrib/hooks/spark_submit_hook.py", line 330, in
submit
**kwargs)
File "/home/dataetl/anaconda3/lib/python3.6/subprocess.py", line
707,
in __init__
restore_signals, start_new_session)
File "/home/dataetl/anaconda3/lib/python3.6/subprocess.py", line
1326, in _execute_child
raise child_exception_type(errno_num, err_msg)
FileNotFoundError: [Errno 2] No such file or directory: 'spark-submit'
以下是我的问题:
hdfs site.xml
和hive site.xml
。但是你可以想象,我的气流机器上既没有/etc/hadoop/
也没有/etc/hive/
目录hdfs site.xml
和hive site.xml
spark提交吗?
如果可以,那么我就不需要像mysql数据库那样在气流上创建连接,对吗无论如何先谢谢你!:) 回答第一个问题,是的,这是一个很好的做法 有关如何使用SparkSubmitOperator的信息,请参阅我在
/etc/hadoop/
也没有/etc/hive/
目录”>>当您在没有完整hadoop客户端的服务器上安装Spark with hadoop libs时,必须在类路径中的目录中提供*-site.xml
配置;使用spark submit时,设置$HADOOP\u CONF\u DIR
并让脚本自己管理类路径就足够了