Sagemaker 管道中的 SparkJarProcessor答案

【问题标题】：SparkJarProcessor in Sagemaker PipelineSagemaker 管道中的 SparkJarProcessor
【发布时间】：2023-01-16 22:06:51
【问题描述】：

我想在 Sagemaker Pipeline 中运行 SparkJarProcessor。在创建 SparkJarProcessor 实例后，当我只是 run 处理器时，我可以使用 submit_app 和 submit_class 参数指定要执行的 jar 和类到 run 方法。例如。，

processor.run(
    submit_app="my.jar",
    submit_class="program.to.run",
    arguments=['--my_arg', "my_arg"],
    configuration=my_config,
    spark_event_logs_s3_uri=log_path
)

如果我想将它作为管道中的一个步骤运行，我可以为 ProcessingStep 提供哪些参数？根据this documentation，您可以在处理器上调用 get_run_args 以“获取在 ProcessingStep 中使用 SparkJarProcessor 时所需的规范化输入、输出和参数“，但是当我这样运行它时，

processor.get_run_args(
    submit_app="my.jar", 
    submit_class="program.to.run",
    arguments=['--my_arg', "my_arg"],
    configuration=my_config,
    spark_event_logs_s3_uri=log_path
)

我的输出如下所示：

RunArgs(code='my.jar', inputs=[<sagemaker.processing.ProcessingInput object at 0x7fc53284a090>], outputs=[<sagemaker.processing.ProcessingOutput object at 0x7fc532845ed0>], arguments=['--my_arg', 'my_arg'])

“program.to.run”不是输出的一部分。那么，假设code是指定jar，那么submit_class的规范化版本是什么？

【问题讨论】：

标签： amazon-web-services apache-spark amazon-sagemaker

【解决方案1】：

当在 SparkJarProcessor 上调用 get_run_args 或 run 时，submit_class is used to set a property on the processor itself 这就是您在 get_run_args 输出中看不到它的原因。

该处理器属性将在管道定义生成期间用于将 ContainerEntrypoint 参数设置为 CreateProcessingJob。

例子：

run_args = spark_processor.get_run_args(
    submit_app="my.jar",
    submit_class="program.to.run",
    arguments=[]
)

step_process = ProcessingStep(
    name="SparkJarProcessStep",
    processor=spark_processor,
    inputs=run_args.inputs,
    outputs=run_args.outputs,
    code=run_args.code
)

pipeline = Pipeline(
    name="myPipeline",
    parameters=[],
    steps=[step_process],
)

definition = json.loads(pipeline.definition())
definition

definition的输出：

...
'Steps': [{'Name': 'SparkJarProcessStep',
   'Type': 'Processing',
   'Arguments': {'ProcessingResources': {'ClusterConfig': {'InstanceType': 'ml.m5.xlarge',
      'InstanceCount': 2,
      'VolumeSizeInGB': 30}},
    'AppSpecification': {'ImageUri': '153931337802.dkr.ecr.us-west-2.amazonaws.com/sagemaker-spark-processing:2.4-cpu',
     'ContainerEntrypoint': ['smspark-submit',
      '--class',
      'program.to.run',
      '--local-spark-event-logs-dir',
      '/opt/ml/processing/spark-events/',
      '/opt/ml/processing/input/code/my.jar']},
...

【讨论】：

非常感谢！有效。完全有道理。

【解决方案2】：

对于更现代的 sagemaker sdk 版本，您可以直接使用 run 方法。例如，对于“2.120.0”sagemaker sdk 版本：

from sagemaker.workflow.steps import ProcessingStep
from sagemaker.spark.processing import PySparkProcessor
from sagemaker.workflow.pipeline_context import PipelineSession


session = PipelineSession()

spark_processor = PySparkProcessor(
    base_job_name="sm-spark",
    framework_version="3.1",
    role=role,
    instance_count=2,
    instance_type="ml.m5.xlarge",
    max_runtime_in_seconds=1200,
    sagemaker_session=session,
)

step_preprocess_data = ProcessingStep(
    name="spark-train-data",
    step_args=spark_processor.run(
        submit_app="./code/preprocess.py",
        arguments=[
            "--s3_input_bucket",
            bucket,
            "--s3_input_key_prefix",
            "user_filestore/marti/test-spark",
            "--s3_output_bucket",
            bucket,
            "--s3_output_key_prefix",
            "user_filestore/marti/test-spark",
        ],
        spark_event_logs_s3_uri="s3://{}/{}/spark_event_logs".format(bucket, "user_filestore/marti/test-spark"),
    )
)

【讨论】：