EMR Spark节点

更新时间:2025-04-27 07:17:43

Spark是一个通用的大数据分析引擎,以其高性能、易用性和广泛的适用性而著称。它支持复杂的内存计算,非常适合构建大规模且低延迟的数据分析应用。DataWorks平台提供了EMR Spark节点,使您能够在 DataWorks上便捷地开发和周期性调度Spark任务。本文将向您介绍如何配置和使用EMR Spark节点,并通过具体的应用示例来展示EMR Spark节点的功能。

前提条件

  • 已创建阿里云EMR集群,并注册EMR集群至DataWorks。操作详情请参见注册EMR集群至DataWorks

  • (可选,RAM账号需要)进行任务开发的RAM账号已被添加至对应工作空间中,并具有开发空间管理员(权限较大,谨慎添加)角色权限,添加成员的操作详情请参见为工作空间添加空间成员

    说明

    如果您使用的是主账号,则可忽略该添加操作。

  • 已开发创建项目目录,详情请参见项目目录

  • 如果您在开发任务时,需要特定的开发环境支持,可使用DataWorks提供的自定义镜像功能,定制化构建任务执行所需的组件镜像。更多信息,请参见镜像管理

  • 已创建EMR Spark节点,详情请参见创建周期任务

使用限制

  • 仅支持使用Serverless资源组(推荐)或独享调度资源组运行该类型任务。

  • DataLake或自定义集群若要在DataWorks管理元数据,需先在集群侧配置EMR-HOOK。详情请参见配置Spark SQLEMR-HOOK

    说明

    若未在集群侧配置EMR-HOOK,则无法在DataWorks中实时展示元数据、生成审计日志、展示血缘关系、开展EMR相关治理任务。

  • EMR on ACK类型的Spark集群不支持查看血缘,EMR Serverless Spark集群支持查看血缘。

  • EMR on ACK 类型的Spark集群及EMR Serverless Spark集群仅支持通过OSS REF的方式直接引用OSS资源、上传资源到OSS,不支持上传资源到HDFS。

  • DataLake集群、自定义集群支持通过OSS REF的方式直接引用OSS资源、上传资源到OSS及上传资源到HDFS。

准备工作:开发Spark任务并获取JAR

在使用DataWorks调度EMR Spark任务前,您需要先在EMR中开发Spark任务代码并完成任务代码的编译,生成编译后的任务JAR包,EMR Spark任务的开发指导详情请参见Spark概述

说明

后续您需要将任务JAR包上传至DataWorks,在DataWorks中周期性调度EMR Spark任务。

操作步骤

  1. EMR Spark节点编辑页面,执行如下开发操作。

    开发Spark任务

    您可以根据不同场景需求选择适合您的操作方案:

    方案一:先上传资源后引用EMR JAR资源
    方案二:直接引用OSS资源

    DataWorks也支持您从本地先上传资源至Data Studio,再引用资源。EMR Spark任务编译完成后,您需获取编译后的JAR包,建议根据JAR包大小选择不同方式存储JAR包资源。

    上传JAR包资源,创建为DataWorksEMR资源并提交,或直接存储在EMRHDFS存储中(EMR on ACK 类型的Spark集群及EMR Serverless Spark集群不支持上传资源到HDFS)。

    JAR包小于200MB时
    JAR包大于等于200MB时
    1. 创建EMR JAR资源。

      JAR包小于200MB时,可将JAR包通过本地上传的方式上传为DataWorksEMR JAR资源,便于后续在DataWorks控制台进行可视化管理,创建完成资源后需进行提交,操作详情请参见创建和使用EMR资源

      1. JAR包通过本地上传的方式上传到JAR资源的存放目录下,详情请参见资源管理

      2. 单击点击上传按钮,上传JAR资源。

      3. 选择存储路径数据源资源组

      4. 单击保存按钮进行保存。

      image

    2. 引用EMR JAR资源。

      1. 打开创建的EMR Spark节点,停留在代码编辑页面。

      2. 在左侧导航栏的资源管理中找到待引用资源,右键选择引用资源

      3. 选择引用后,当EMR Spark节点的代码编辑页面出现如下引用成功提示时,表明已成功引用代码资源。

        ##@resource_reference{"spark-examples_2.12-1.0.0-SNAPSHOT-shaded.jar"}
        spark-examples_2.12-1.0.0-SNAPSHOT-shaded.jar

        如果成功自动添加上述引用代码,表明资源引用成功。其中,spark-examples_2.12-1.0.0-SNAPSHOT-shaded.jar为您实际上传的EMR JAR资源名称。

      4. 改写EMR Spark节点代码,补充spark submit命令,改写后的示例如下。

        说明

        EMR Spark节点编辑代码时不支持注释语句,请务必参考如下示例改写任务代码,不要随意添加注释,否则后续运行节点时会报错。

        ##@resource_reference{"spark-examples_2.11-2.4.0.jar"}
        spark-submit --class org.apache.spark.examples.SparkPi --master yarn  spark-examples_2.11-2.4.0.jar 100
        说明
        • org.apache.spark.examples.SparkPi:为您实际编译的JAR包中的任务主Class。

        • spark-examples_2.11-2.4.0.jar:为您实际上传的EMR JAR资源名称。

        • 其他参数可参考以上示例不做修改,您也可执行spark-submit --help命令查看spark submit的使用帮助,根据需要修改spark submit命令。

        • 若您需要在Spark节点中使用Spark-submit命令简化的参数,您需要在代码中自行添加,例如,--executor-memory 2G

        • Spark节点仅支持使用YarnCluster提交作业。

        • spark-submit方式提交的任务,deploy-mode推荐使用cluster模式,不建议使用client模式。

    1. 创建EMR JAR资源。

      JAR包大于等于200MB时,无法通过本地上传的方式直接上传为DataWorks的资源。建议直接将JAR包存储在EMRHDFS中,并记录下JAR包的存储路径,以便于后续在DataWorks调度Spark任务时引用该路径。

      1. JAR包通过本地上传的方式上传到JAR资源的存放目录下,详情请参见资源管理

      2. 单击点击上传按钮,上传JAR资源。

      3. 选择存储路径数据源资源组

      4. 单击保存按钮进行保存。

      image

    2. 引用EMR JAR资源。

      JAR包存储在HDFS时,您可以直接在EMR Spark节点中通过代码指定JAR包路径的方式引用JAR包。

      1. 双击创建的EMR Spark节点,打开EMR Spark 节点的代码编辑页面。

      2. 编写spark submit命令,示例如下。

        spark-submit --master yarn
        --deploy-mode cluster
        --name SparkPi
        --driver-memory 4G
        --driver-cores 1
        --num-executors 5
        --executor-memory 4G
        --executor-cores 1
        --class org.apache.spark.examples.JavaSparkPi
        hdfs:///tmp/jars/spark-examples_2.11-2.4.8.jar 100
        说明
        • hdfs:///tmp/jars/spark-examples_2.11-2.4.8.jar:为JAR包实际在HDFS中的路径。

        • org.apache.spark.examples.JavaSparkPi:为您实际编译的JAR包中的任务主class。

        • 其他参数为实际EMR集群的参数,需根据实际情况进行修改配置。您也可以执行spark-submit --help命令查看spark submit的使用帮助,根据需要修改spark submit命令。

        • 若您需要在Spark节点中使用Spark-submit命令简化的参数,您需要在代码中自行添加,例如,--executor-memory 2G

        • Spark节点仅支持使用YarnCluster提交作业。

        • spark-submit方式提交的任务,deploy-mode推荐使用cluster模式,不建议使用client模式。

    当前节点可直接通过OSS REF的方式引用OSS资源,在运行EMR节点时,DataWorks会自动加载代码中的OSS资源至本地使用。该方式常用于“需要在EMR任务中运行JAR依赖”、“EMR任务需依赖脚本”等场景。

    1. 开发JAR资源。

      1. 代码依赖准备。

        您可前往EMR集群,在集群master节点的/usr/lib/emr/spark-current/jars/路径下查看您所需的代码依赖。下面以Spark3.4.2版本为例,您需在打开已创建的IDEA项目添加pom依赖并引用相关插件。

        添加pom依赖
        引用相关插件
        <dependencies>
                <dependency>
                    <groupId>org.apache.spark</groupId>
                    <artifactId>spark-core_2.12</artifactId>
                    <version>3.4.2</version>
                </dependency>
                <!-- Apache Spark SQL -->
                <dependency>
                    <groupId>org.apache.spark</groupId>
                    <artifactId>spark-sql_2.12</artifactId>
                    <version>3.4.2</version>
                </dependency>
        </dependencies>
        <build>
                <sourceDirectory>src/main/scala</sourceDirectory>
                <testSourceDirectory>src/test/scala</testSourceDirectory>
                <plugins>
                    <plugin>
                        <groupId>org.apache.maven.plugins</groupId>
                        <artifactId>maven-compiler-plugin</artifactId>
                        <version>3.7.0</version>
                        <configuration>
                            <source>1.8</source>
                            <target>1.8</target>
                        </configuration>
                    </plugin>
                    <plugin>
                        <artifactId>maven-assembly-plugin</artifactId>
                        <configuration>
                            <descriptorRefs>
                                <descriptorRef>jar-with-dependencies</descriptorRef>
                            </descriptorRefs>
                        </configuration>
                        <executions>
                            <execution>
                                <id>make-assembly</id>
                                <phase>package</phase>
                                <goals>
                                    <goal>single</goal>
                                </goals>
                            </execution>
                        </executions>
                    </plugin>
                    <plugin>
                        <groupId>net.alchim31.maven</groupId>
                        <artifactId>scala-maven-plugin</artifactId>
                        <version>3.2.2</version>
                        <configuration>
                            <recompileMode>incremental</recompileMode>
                        </configuration>
                        <executions>
                            <execution>
                                <goals>
                                    <goal>compile</goal>
                                    <goal>testCompile</goal>
                                </goals>
                                <configuration>
                                    <args>
                                        <arg>-dependencyfile</arg>
                                        <arg>${project.build.directory}/.scala_dependencies</arg>
                                    </args>
                                </configuration>
                            </execution>
                        </executions>
                    </plugin>
                </plugins>
            </build>
      2. 代码示例。

        package com.aliyun.emr.example.spark
        
        import org.apache.spark.sql.SparkSession
        
        object SparkMaxComputeDemo {
          def main(args: Array[String]): Unit = {
            // 创建 SparkSession
            val spark = SparkSession.builder()
              .appName("HelloDataWorks")
              .getOrCreate()
        
            // 打印Spark版本
            println(s"Spark version: ${spark.version}")
          }
        }
      3. 编辑完上述Scala代码后将该代码生成JAR包。

        示例生成的JAR包为SparkWorkOSS-1.0-SNAPSHOT-jar-with-dependencies.jar

    2. 上传JAR资源。

      1. 完成代码开发后,您需登录OSS管理控制台,单击所在地域左侧导航栏的Bucket列表

      2. 单击目标Bucket名称,进入文件管理页面。

        本文示例使用的Bucketonaliyun-bucket-2

      3. 单击新建目录,创建JAR资源的存放目录。

        配置目录名emr/jars,创建JAR资源的存放目录。

      4. 上传JAR资源至JAR资源的存放目录。

        进入存放目录,单击上传文件,在待上传文件区域单击扫描文件,添加SparkWorkOSS-1.0-SNAPSHOT-jar-with-dependencies.jar文件至Bucket,单击上传文件

    3. 引用JAR资源。

      1. 编辑引用JAR资源代码。

        在已创建的EMR Spark节点编辑页面,编辑引用JAR资源代码。

        spark-submit --class com.aliyun.emr.example.spark.SparkMaxComputeDemo --master yarn ossref://onaliyun-bucket-2/emr/jars/SparkWorkOSS-1.0-SNAPSHOT-jar-with-dependencies.jar

        引用参数说明:

        参数

        参数说明

        class

        运行的主类全名称。

        master

        Spark应用程序的运行模式。

        ossref文件路径

        格式为ossref://{endpoint}/{bucket}/{object}

        • endpoint:OSS对外服务的访问域名。Endpoint为空时,仅支持使用与当前访问的EMR集群同地域的OSS,即OSSBucket需要与EMR集群所在地域相同。

        • Bucket:OSS用于存储对象的容器,每一个Bucket有唯一的名称,登录OSS管理控制台,可查看当前登录账号下所有Bucket

        • object:存储在Bucket中的一个具体的对象(文件名称或路径)。

      2. 运行EMR Spark节点任务。

        编辑完成后您可单击image图标,选择您所创建的Serverless资源组运行EMR Spark节点。待任务执行完成后,记录控制台打印的applicationIds,例如application_1730367929285_xxxx

      3. 结果查看。

        创建EMR Shell节点并在EMR Shell节点执行yarn logs -applicationId application_1730367929285_xxxx命令查看运行结果:

        image

    (可选)配置高级参数

    您可在节点调度配置EMR节点参数中配置特有属性参数。更多Spark属性参数设置,请参考Spark Configuration。不同类型EMR集群可配置的高级参数存在部分差异,具体如下表。

    DataLake集群/自定义集群:EMR on ECS
    Spark集群:EMR ON ACK
    Hadoop集群:EMR on ECS
    EMR Serverless Spark集群

    高级参数

    配置说明

    queue

    提交作业的调度队列,默认为default队列。

    如果您在注册EMR集群至DataWorks工作空间时,配置了工作空间级的YARN资源队列

    • 如果勾选全局配置是否优先,则实际Spark任务运行时,队列以注册EMR集群时的配置结果为准。

    • 如果未勾选,则实际Spark任务运行时,队列以EMR Spark节点的配置结果为准。

    关于EMR YARN说明,详情请参见队列基础配置,注册EMR集群时的队列配置详情请参见设置全局YARN资源队列

    priority

    优先级,默认为1。

    FLOW_SKIP_SQL_ANALYZE

    SQL语句执行方式。取值如下:

    • true:表示每次执行多条SQL语句。

    • false(默认值):表示每次执行一条SQL语句。

    说明

    该参数仅支持用于数据开发环境测试运行流程。

    其他

    • 您可以直接在高级配置里追加自定义SPARK参数。例如, spark.eventLog.enabled : false ,DataWorks会自动在最终下发EMR集群的代码中进行补全,格式为:--conf key=value

    • 还支持配置全局Spark参数,详情请参见设置全局Spark参数

    高级参数

    配置说明

    FLOW_SKIP_SQL_ANALYZE

    SQL语句执行方式。取值如下:

    • true:表示每次执行多条SQL语句。

    • false:表示每次执行一条SQL语句。

    说明

    该参数仅支持用于数据开发环境测试运行流程。

    其他

    • 您可以直接在高级配置里追加自定义SPARK参数。例如, spark.eventLog.enabled : false ,DataWorks会自动在最终下发EMR集群的代码中进行补全,格式为:--conf key=value

    • 还支持配置全局Spark参数,详情请参见设置全局Spark参数

    高级参数

    配置说明

    queue

    提交作业的调度队列,默认为default队列。

    如果您在注册EMR集群至DataWorks工作空间时,配置了工作空间级的YARN资源队列

    • 如果勾选全局配置是否优先,则实际Spark任务运行时,队列以注册EMR集群时的配置结果为准。

    • 如果未勾选,则实际Spark任务运行时,队列以EMR Spark节点的配置结果为准。

    关于EMR YARN说明,详情请参见队列基础配置,注册EMR集群时的队列配置详情请参见设置全局YARN资源队列

    priority

    优先级,默认为1。

    FLOW_SKIP_SQL_ANALYZE

    SQL语句执行方式。取值如下:

    • true:表示每次执行多条SQL语句。

    • false:表示每次执行一条SQL语句。

    说明

    该参数仅支持用于数据开发环境测试运行流程。

    USE_GATEWAY

    设置本节点提交作业时,是否通过Gateway集群提交。取值如下:

    • true:通过Gateway集群提交。

    • false:不通过Gateway集群提交,默认提交到header节点。

    说明

    如果本节点所在的集群未关联Gateway集群,此处手动设置参数取值为true时,后续提交EMR作业时会失败。

    其他

    • 您可以直接在高级配置里追加自定义SPARK参数。例如, spark.eventLog.enabled : false ,DataWorks会自动在最终下发EMR集群的代码中进行补全,格式为:--conf key=value

    • 还支持配置全局Spark参数,详情请参见设置全局Spark参数

    相关参数设置请参见提交Spark任务参数设置

    高级参数

    配置说明

    queue

    提交作业的调度队列,默认为dev_queue队列。

    priority

    优先级,默认为1。

    FLOW_SKIP_SQL_ANALYZE

    SQL语句执行方式。取值如下:

    • true:表示每次执行多条SQL语句。

    • false:表示每次执行一条SQL语句。

    说明

    该参数仅支持用于数据开发环境测试运行流程。

    SERVERLESS_RELEASE_VERSION

    Spark引擎版本,默认使用管理中心集群管理中集群配置的默认引擎版本。如需为不同任务设置不同的引擎版本,您可在此进行设置。

    SERVERLESS_QUEUE_NAME

    指定资源队列,默认使用管理中心集群管理中集群配置的默认资源队列。如有资源隔离和管理需求,可通过添加队列实现。详情请参见管理资源队列

    其他

    • 您可以直接在高级配置里追加自定义SPARK参数。例如, spark.eventLog.enabled : false ,DataWorks会自动在最终下发EMR集群的代码中进行补全,格式为:--conf key=value

    • 还支持配置全局Spark参数,详情请参见设置全局Spark参数

    执行Spark任务

    1. 调试配置计算资源中,选择配置计算资源DataWorks资源组

      说明
      • 您还可以根据任务执行所需的资源情况来调度 CU。默认CU0.25

      • 访问公共网络或VPC网络环境的数据源需要使用与数据源测试连通性成功的调度资源组。详情请参见网络连通方案

    2. 在工具栏的参数对话框中选择对应的数据源,单击运行Spark任务。

  2. 如需定期执行节点任务,请根据业务需求配置调度信息。配置详情请参见节点调度

  3. 节点任务配置完成后,需对节点进行发布。详情请参见节点/工作流发布

  4. 任务发布后,您可以在运维中心查看周期任务的运行情况。详情请参见运维中心入门

常见问题

为什么在EMR集群中启用了Kerberos后,在EMR Spark节点开发中使用YARN-Cluster模式执行spark-submit时会报错DlfMetaStoreClientFactory not found?

相关文档

  • 本页导读 (1)
  • 前提条件
  • 使用限制
  • 准备工作:开发Spark任务并获取JAR包
  • 操作步骤
  • 常见问题
  • 相关文档
AI助理

点击开启售前

在线咨询服务

你好,我是AI助理

可以解答问题、推荐解决方案等