java - 如何在 Airflow 中运行 Spark 代码？

Question

地球人你好! 我正在使用 Airflow 来安排和运行 Spark 任务。 这次我发现的只是 Airflow 可以管理的 python DAG。
DAG 示例:

spark_count_lines.py
import logging

from airflow import DAG
from airflow.operators import PythonOperator

from datetime import datetime

args = {
  'owner': 'airflow'
  , 'start_date': datetime(2016, 4, 17)
  , 'provide_context': True
}

dag = DAG(
  'spark_count_lines'
  , start_date = datetime(2016, 4, 17)
  , schedule_interval = '@hourly'
  , default_args = args
)

def run_spark(**kwargs):
  import pyspark
  sc = pyspark.SparkContext()
  df = sc.textFile('file:///opt/spark/current/examples/src/main/resources/people.txt')
  logging.info('Number of lines in people.txt = {0}'.format(df.count()))
  sc.stop()

t_main = PythonOperator(
  task_id = 'call_spark'
  , dag = dag
  , python_callable = run_spark
)

问题是我不擅长 Python 代码并且有一些用 Java 编写的任务。我的问题是如何在 python DAG 中运行 Spark Java jar？或者也许还有其他方法可以做到这一点？我发现 spark 提交:http://spark.apache.org/docs/latest/submitting-applications.html
但我不知道如何将所有东西连接在一起。也许有人以前使用过它并且有工作示例。感谢您的宝贵时间!

Answer 1

您应该能够使用 BashOperator。保持其余代码不变，导入所需的类和系统包:

from airflow.operators.bash_operator import BashOperator

import os
import sys

设置所需路径:

os.environ['SPARK_HOME'] = '/path/to/spark/root'
sys.path.append(os.path.join(os.environ['SPARK_HOME'], 'bin'))

并添加运算符:

spark_task = BashOperator(
    task_id='spark_java',
    bash_command='spark-submit --class {{ params.class }} {{ params.jar }}',
    params={'class': 'MainClassName', 'jar': '/path/to/your.jar'},
    dag=dag
)

您可以使用 Jinja 模板轻松扩展它以提供额外的参数。

您当然可以通过将 bash_command 替换为适合您情况的模板来针对非 Spark 场景进行调整，例如:

bash_command = 'java -jar {{ params.jar }}'

并调整params。