Question

我是Airflow和Spark的新手，并且正在与 SparkSubmitOperator 挣扎。

我们的气流调度程序和hadoop集群不在同一台机器上设置（第一个问题：这是一个好习惯吗？）。

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（10.70.1.35）中。气流损耗存储在气流机（10.70.1.22）中。

当前，当我们希望通过气流火花提交pyspark脚本时，我们使用一个简单的BashOperator，如下所示：

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)

效果很好。但是，我们想开始使用SparkSubmitOperator触发提交pyspark脚本。

我尝试过：

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)

语法应该可以，因为dag不会显示为已损坏。但是运行时会出现以下错误：

[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'

这是我的问题：

我应该在气流机器上安装spark hadoop吗？，我问是因为在此topic中，我读到我需要复制hdfs-site.xml和{{ 1}}。但是您可以想象，气流机器上既没有hive-site.xml也没有/etc/hadoop/目录。
a）如果没有，我应该在气流机上将/etc/hive/和hdfs-site.xml复制到什么地方？
b）如果是，这是否意味着我需要将气流机配置为客户端？一种不参与作业但可以用来提交动作的边缘节点？
然后，我是否可以从气流机器上hive-site.xml？如果是，那么我不需要像以前那样在Airflow上创建连接例如mysql数据库，对吧？
哦，蛋糕上的樱桃：我可以将pyspark脚本存储在我的气流机中，并spark-submit从同一台气流机中存储它们。太神奇了！

即使您无法回答我的所有问题，任何评论都将非常有用...

还是要提前谢谢！：）

Answer 1

要回答第一个问题，是的，这是一个好习惯。

有关如何使用SparkSubmitOperator，请参考我对https://stackoverflow.com/a/53344713/5691525的回答

是，您需要在气流机器上使用火花二进制文件。
-
是
否->您仍然需要一个连接来告诉Airflow您在哪里安装了火花二进制文件。类似于https://stackoverflow.com/a/50541640/5691525
应该工作

Airflow SparkSubmitOperator-如何在另一台服务器中进行火花提交

1 个答案: