创建并使用EMR Spark SQL节点_大数据开发治理平台 DataWorks(DataWorks)-阿里云帮助中心

您可以通过创建EMR（E-MapReduce） Spark SQL节点，实现分布式SQL查询引擎处理结构化数据，提高作业的执行效率。

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，并具有开发或空间管理员（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 SQL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 SQL的EMR-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。
DataLake集群与自定义集群支持使用可视化注册函数，EMR on ACK 类型的Spark集群、EMR Serverless Spark集群不支持使用可视化注册函数。

操作步骤

在EMR Spark SQL节点编辑页面，执行如下开发操作。

开发SQL代码

在SQL编辑区域开发任务代码，您可在代码中使用${变量名}的方式定义变量，并在节点编辑页面右侧调度配置的调度参数中为该变量赋值。实现调度场景下代码的动态传参，调度参数使用详情，请参考调度参数支持格式，示例如下。

SHOW TABLES; 
-- 通过${var}定义名为var的变量，若将该变量赋值${yyyymmdd},可实现创建以业务日期作为后缀的表。
CREATE TABLE IF NOT EXISTS userinfo_new_${var} (
ip STRING COMMENT'IP地址',
uid STRING COMMENT'用户ID'
)PARTITIONED BY(
dt STRING
); --可以结合调度参数使用。

说明

SQL语句最大不能超过130KB。

（可选）配置高级参数

您可在节点调度配置的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

EMR Serverless Spark集群

Spark集群：EMR on ACK

Hadoop集群：EMR on ECS

高级参数	配置说明
queue	提交作业的调度队列，默认为default队列。关于EMR YARN说明，详情请参见队列基础配置。
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。
ENABLE_SPARKSQL_JDBC	提交SQL代码的方式。取值如下： `true`：表示采用JDBC的方式提交SQL代码。当EMR集群无Kyuubi服务时，提交SQL代码至Spark Thrift-Server，当EMR集群有Kyuubi服务时，则通过JDBC方式提交SQL代码至Kyuubi，并支持自定义Spark参数。两种方式均支持元数据血缘，但提交至Thrift-Server的任务会缺少元数据对应节点任务的产出信息。 `false`（默认值）：表示采用Spark-submit cluster方式提交SQL代码。此提交方式下，Spark2和Spark3均支持元数据血缘和产出信息。还支持自定义Spark参数。说明 Spark-submit cluster提交方式默认在EMR集群HDFS的`/tmp`目录下创建临时文件及目录，您需要保证目录具有读写权限。当选择Spark-submit cluster方式提交时，您可以直接在高级配置里追加自定义SparkConf参数。提交代码时DataWorks会自行在命令中加上新增的参数。例如，`"spark.driver.memory" : "2g"`。
DATAWORKS_SESSION_DISABLE	适用于开发环境直接测试运行场景。取值如下： `true`：表示每次运行SQL语句都会新建一个JDBC Connection。 `false`（默认值）：表示用户在一个节点里运行不同的SQL语句时会复用同一个JDBC Connection。说明该参数配置为`false`时不会打印Hive的`yarn applicationId`，如需打印`yarn applicationId`，请将该参数配置为`true`。
其他	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下： `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`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于设置全局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`（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。
ENABLE_SPARKSQL_JDBC	提交SQL代码的方式。取值如下： `true`：表示采用JDBC的方式提交SQL代码。当EMR集群无Kyuubi服务时，提交SQL代码至Spark Thrift-Server，当EMR集群有Kyuubi服务时，则通过JDBC方式提交SQL代码至Kyuubi，并支持自定义Spark参数。两种方式均支持元数据血缘，但提交至Thrift-Server的任务会缺少元数据对应节点任务的产出信息。 `false`（默认值）：表示采用Spark-submit cluster方式提交SQL代码。此提交方式下，Spark2和Spark3均支持元数据血缘和产出信息。还支持自定义Spark参数。说明 Spark-submit cluster提交方式默认在EMR集群HDFS的`/tmp`目录下创建临时文件及目录，您需要保证目录具有读写权限。当选择Spark-submit cluster方式提交时，您可以直接在高级配置里追加自定义SparkConf参数。提交代码时DataWorks会自行在命令中加上新增的参数。例如，`"spark.driver.memory" : "2g"`。
DATAWORKS_SESSION_DISABLE	适用于开发环境直接测试运行场景。取值如下： `true`：表示每次运行SQL语句都会新建一个JDBC Connection。 `false`（默认值）：表示用户在一个节点里运行不同的SQL语句时会复用同一个JDBC Connection。说明该参数配置为`false`时不会打印Hive的`yarn applicationId`，如需打印`yarn applicationId`，请将该参数配置为`true`。
SERVERLESS_RELEASE_VERSION	Spark引擎版本，默认使用管理中心的计算资源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。说明注册集群指定的SQL Compute（会话）在EMR Serverless Spark控制台处于未启动状态的时候，高级设置配置中的`SERVERLESS_RELEASE_VERSION`参数才会生效。
SERVERLESS_QUEUE_NAME	指定资源队列，默认使用管理中心的计算资源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。说明注册集群指定的SQL Compute（会话）在EMR Serverless Spark控制台处于未启动状态的时候，高级设置配置中的`SERVERLESS_QUEUE_NAME`参数才会生效。
SERVERLESS_SQL_COMPUTE	指定SQL Compute（SQL会话），默认使用管理中心的计算资源中集群配置的默认SQL Compute。如需面向不同任务设置不同的SQL会话，您可在此进行设置。如需创建管理SQL会话，详情请参见管理SQL会话。
其他	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下： `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`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于设置全局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（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

自定义Spark Configuration参数，添加Spark特有属性参数。

配置格式如下：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。

说明

DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于全局Spark参数设置，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。关于EMR YARN说明，详情请参见队列基础配置。
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。
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`（默认值）：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	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下： `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`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于设置全局Spark参数，详情请参见设置全局Spark参数。

执行SQL任务

在调试配置选择配置计算资源和资源组。
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CU为0.25。
- 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。
在工具栏的参数对话框中选择对应的数据源，单击运行SQL任务。

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。
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。
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？