使用 Gcloud Composer DAG 运行 Spark 作业的困难答案

【问题标题】：Difficulties in using a Gcloud Composer DAG to run a Spark job使用 Gcloud Composer DAG 运行 Spark 作业的困难
【发布时间】：2019-07-14 00:09:41
【问题描述】：

我正在使用 Gcloud Composer，尝试创建一个 DAG，以创建一个 DataProc 集群，运行一个简单的 Spark 作业，然后拆除集群。我正在尝试运行 Spark PI 示例作业。

我了解在调用 DataProcSparkOperator 时，我只能选择定义 main_jar 或 main_class 属性。当我定义main_class 时，作业失败并出现错误：

java.lang.ClassNotFoundException: org.apache.spark.examples.SparkPi
    at java.net.URLClassLoader.findClass(URLClassLoader.java:382)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at java.lang.Class.forName0(Native Method)
    at java.lang.Class.forName(Class.java:348)
    at org.apache.spark.util.Utils$.classForName(Utils.scala:239)
    at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:851)
    at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:198)
    at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:228)
    at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:137)
    at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

当我选择定义 main_jar 属性时，作业失败并出现错误：

Error: No main class set in JAR; please specify one with --class
Run with --help for usage help or --verbose for debug output

我对如何解决这个问题有点不知所措，因为我对 Spark 和 DataProc 都是新手。

我的 DAG：

import datetime as dt
from airflow import DAG, models
from airflow.contrib.operators import dataproc_operator as dpo
from airflow.utils import trigger_rule

MAIN_JAR = 'file:///usr/lib/spark/examples/jars/spark-examples.jar'
MAIN_CLASS = 'org.apache.spark.examples.SparkPi'
CLUSTER_NAME = 'quickspark-cluster-{{ ds_nodash }}'

yesterday = dt.datetime.combine(
    dt.datetime.today() - dt.timedelta(1),
    dt.datetime.min.time())

default_dag_args = {
    'start_date': yesterday,
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': dt.timedelta(seconds=30),
    'project_id': models.Variable.get('gcp_project')
}

with DAG('dataproc_spark_submit', schedule_interval='0 17 * * *',
    default_args=default_dag_args) as dag:

    create_dataproc_cluster = dpo.DataprocClusterCreateOperator(
        project_id = default_dag_args['project_id'],
        task_id = 'create_dataproc_cluster',
        cluster_name = CLUSTER_NAME,
        num_workers = 2,
        zone = models.Variable.get('gce_zone')
    )

    run_spark_job = dpo.DataProcSparkOperator(
        task_id = 'run_spark_job',
        #main_jar = MAIN_JAR,
        main_class = MAIN_CLASS,
        cluster_name = CLUSTER_NAME
    )

    delete_dataproc_cluster = dpo.DataprocClusterDeleteOperator(
        project_id = default_dag_args['project_id'],
        task_id = 'delete_dataproc_cluster',
        cluster_name = CLUSTER_NAME,
        trigger_rule = trigger_rule.TriggerRule.ALL_DONE
    )

    create_dataproc_cluster >> run_spark_job >> delete_dataproc_cluster

【问题讨论】：

标签： apache-spark airflow google-cloud-dataproc google-cloud-composer

【解决方案1】：

我将它与使用 CLI 的成功作业进行了比较，发现即使在类填充 Main class or jar 字段时，Jar 的路径也在 Jar files 中指定：

检查运算符我注意到还有一个dataproc_spark_jars parameter 与main_class 不互斥：

run_spark_job = dpo.DataProcSparkOperator(
    task_id = 'run_spark_job',
    dataproc_spark_jars = [MAIN_JAR],
    main_class = MAIN_CLASS,
    cluster_name = CLUSTER_NAME
)

添加它就可以了：

【讨论】：