02. Spark on Dataworks - aliyun/MaxCompute-Spark GitHub Wiki

Dataworks节点使用流程

  • 创建资源

image1

  • 上传模板项目工程编译出来的jar包

image2

  • 上传之后一定要commit，也就是红色方框的按钮

image3

  • 创建ODPS Spark节点

image4

  • 选择刚才上传的资源并且按照spark-defaults.conf里面的配置填页面上的配置项，并提交

image5

  • 点击红色方框冒烟测试，冒烟测试按钮旁边的按钮可以查看运行日志

image6

  • 运行日志

image7

Dataworks Spark节点配置

ODPS SPARK节点介绍

本质上ODPS SPARK节点的配置对应于spark-submit命令的参数和选项。具体来说

节点 spark-submit
主java/python资源 app jar or python file
配置项 --conf PROP=VALUE
main class --class CLASS_NAME
参数 [app arguments]
选择jar资源 --jars JARS
选择python资源 --py-files PY_FILES
选择file资源 --files FILES
选择archives资源 --archives ARCHIVES

配置项

配置项对应于spark-submit命令的--conf选项，其中：

  • accessid，accesskey，projectname，endpoint无需配置，默认是生产账号（有特殊原因可显式配置，将覆盖默认值）

  • 除此之外，需要将spark-default.conf中的配置逐条加到dataworks的配置项中

如何传参数(如bizdate)

  • 同SQL节点，首先在调度->参数中添加参数

image8

  • 然后在Spark节点“参数”栏引用该参数，该参数会传给用户主类，用户在代码中解析该参数即可

Java/Scala:

image9

Python: image10

资源上传

  • 用户需要在DataWorks中添加任务需要的资源，这些资源在任务运行时会被上传到用户的工作目录下，资源可能包括：
1. jar资源/python资源：对应于spark-submit命令的--jars，--py-files，
2. file资源，对应于spark-submit命令的--files
3. archive资源：对应于spark-submit命令的--archives，archives会默认被解压，解压后的文件名等同于资源名去掉后缀。例如上传的资源名是mnist.zip，则解压名为mnist
  • DataWorks中上传资源限制最大为50MB，如果需要使用更大的资源，用户需要将该资源通过MaxCompute客户端上传为MaxCompute资源，然后将该资源添加到数据开发中，详见文档
⚠️ **GitHub.com Fallback** ⚠️