apache-spark - Airflow SparkSubmitOperator - 如何在另一台服务器中提交 Spark

Question

我是 Airflow 和 Spark 的新手，我正在努力使用 SparkSubmitOperator。

我们的 Airflow 调度器和我们的 hadoop 集群没有设置在同一台机器上(第一个问题:这是一个好的做法吗？)。

我们有很多自动化程序需要调用pyspark脚本。这些 pyspark 脚本存储在 hadoop 集群 (10.70.1.35) 中。 Airflow 数据存储在 Airflow 机器(10.70.1.22)中。

目前，当我们想要使用 airflow spark-submit 一个 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)

它工作得很好。但是我们想开始使用 SparkSubmitOperator 来激发提交我们的 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) 

语法应该没问题，因为 dag 没有显示为已损坏。但是当它运行时它给我以下错误:

[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'

这是我的问题:

1. 我应该在我的 airflow 机器上安装 spark hadoop 吗？ 我问是因为在这个 topic我读到我需要复制 hdfs-site.xml 和 hive-site.xml。但是你可以想象，我的 Airflow 机器上既没有 /etc/hadoop/ 也没有 /etc/hive/ 目录。

2. a) 如果没有，我应该将 hdfs-site.xml 和 hive-site.xml 复制到哪里 Airflow 机？

3. b) 如果是，是否意味着我需要将我的 Airflow 机器配置为客户端？一种不参与作业但可以用来提交 Action 的边缘节点？

4. 那么，我可以从我的 airflow 机器上 spark-submit 吗？ 如果可以，那么我不需要在 Airflow 上创建连接例如，就像我对 mysql 数据库所做的那样，对吧？

5. 哦，蛋糕上的樱桃:我能否将我的 pyspark 脚本存储在我的 airflow 机器中，并从同一台 airflow 机器spark-submit 它们。这将是惊人的!

任何评论都会非常有用，即使您无法回答我所有的问题...

无论如何提前感谢! :)

Answer 1

回答您的第一个问题，是的，这是一个很好的做法。

关于如何使用SparkSubmitOperator，请引用我在https://stackoverflow.com/a/53344713/5691525上的回答。

1. 是，您需要在 Airflow 机器上使用 spark-binary。
2. -
3. 是
4. No -> 您仍然需要一个连接来告诉 Airflow 您在哪里安装了您的 spark 二进制文件。类似于 https://stackoverflow.com/a/50541640/5691525
5. 应该工作