我在 AWS 中有一个现有的 EMR 集群。我想从气流运行 dag 到现有的 aws 集群

Question

我有一台气流机，它有 apache-airflow==1.10.5 版本。我知道如何运行一个 dag，它会自动创建一个集群并运行该步骤并终止集群。在气流 UI 中使用连接我能够实现这一点。但是要在现有的 aws emr 集群上运行 dag，我无法知道我需要在连接中传递哪些参数。

AIRFLOW UI --> Admin --> Connections --> Created Conn ID (EMR Default1), conn type Elastic Map reduce。

[2019-10-14 12:12:40,919] {taskinstance.py:1051} ERROR - Parameter validation failed:
Missing required parameter in input: "Instances"
Traceback (most recent call last):
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/airflow/models/taskinstance.py", line 926, in _run_raw_task
    result = task_copy.execute(context=context)
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/airflow/contrib/operators/emr_create_job_flow_operator.py", line 68, in execute
    response = emr.create_job_flow(self.job_flow_overrides)
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/airflow/contrib/hooks/emr_hook.py", line 55, in create_job_flow
    response = self.get_conn().run_job_flow(**config)
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/botocore/client.py", line 314, in _api_call
    return self._make_api_call(operation_name, kwargs)
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/botocore/client.py", line 586, in _make_api_call
    api_params, operation_model, context=request_context)
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/botocore/client.py", line 621, in _convert_to_request_dict
    api_params, operation_model)
  File "/root/anaconda3/envs/airflow/lib/python3.6/site-packages/botocore/validate.py", line 291, in serialize_to_request
    raise ParamValidationError(report=report.generate_report())
botocore.exceptions.ParamValidationError: Parameter validation failed:
Missing required parameter in input: "Instances"
[2019-10-14 12:12:40,920] {taskinstance.py:1082} INFO - Marking task as FAILED.

Answer 1

在第一种情况下，您也可以通过扩展SparkSubmitOperator 运算符来实现，而不是使用 UI 动态创建/终止集群。启动 EMR 集群后，您可以将 EMR master 中的 *.xml（例如 core-site.xml）文件复制到气流节点上的某个位置，然后在 spark-submit 任务中指向这些文件在气流中。至少我们那天在我们的产品中这样做了。为了在逻辑上扩展它，如果您计划重用现有集群，您只需要知道这些 *.xml 文件已经存储在哪里。然后，其余的将是相同的。触发任务时只需要引用这些文件即可。

更多详情

我不知道任何这样的文档，所以我只能建议您探索以下内容，这是基于我收集到的知识：

1. 我们需要为 spark-submit 编写一个自定义插件。作为这个自定义插件模块的一部分，让我们定义一个CustomSparkSubmitOperator 类。它需要扩展BaseOperator。你可以找到很多关于在气流中编写自定义插件的文章。 This 可能是一个不错的起点。 Here，您可以查看BaseOperator的更多详情。

2. 在BaseOperator 中，您会找到一个名为pre_execute 的方法。在此方法中执行以下操作是一个可行的选择：

   一个。等到您的集群启动。如果您传递 cluster-id，您可以使用 boto3 轻松完成此操作。

   b.集群启动后，获取 EMR 主节点的 ip，并将匹配 /etc/hadoop/conf/*-site.xml 的内容复制到您的气流节点。这可以通过python中的子进程调用来实现。

3. 获得 xml 文件后，在 execute 方法中，只需使用 SparkSubmitHook 提交您的 spark-job。您需要确保气流节点上的 spark 二进制文件使用此路径进行 spark-submit。

4. 如果需要，您可以在 post_execute 方法中清理集群。