通过 EMR Serverless Spark 提交 PySpark 流任务

最新推荐文章于 2025-01-08 11:18:24 发布

Apache Spark中国社区

最新推荐文章于 2025-01-08 11:18:24 发布

阅读量61

点赞数

文章标签： serverless spark 云原生大数据分布式

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg3MjI0NjUxMA==&mid=2247488577&idx=1&sn=49bc0dfce2df6589ee23a1b0ef6d42df&chksm=cfacea3576fec45661c7008b693dcfc07d1b470cb6e3a0421970ff5b69fc2f439d3a3f62102e&scene=126&sessionid=0

版权

在大数据快速发展的时代，流式处理技术对于实时数据分析至关重要。EMR Serverless Spark提供了一个强大而可扩展的平台，它不仅简化了实时数据处理流程，还免去了服务器管理的烦恼，提升了效率。本文将指导您使用EMR Serverless Spark提交PySpark流式任务，展示其在流处理方面的易用性和可运维性。

前提条件

已创建工作空间，详情请参见创建工作空间^[1]。

操作流程

步骤一：创建实时数据流集群并产生消息

1. 在EMR on ECS页面，创建包含Kafka服务的实时数据流集群，详情请参见创建集群^[2]。

2. 登录EMR集群的Master节点，详情请参见登录集群^[3]。

3. 执行以下命令，切换目录。

cd /var/log/emr/taihao_exporter

4. 执行以下命令，创建Topic。

# 创建名为taihaometrics的Topic，分区数10，副本因子2。
kafka-topics.sh --partitions 10 --replication-factor 2 --bootstrap-server core-1-1:9092 --topic taihaometrics --create

5. 执行以下命令，发送消息。

# 使用kafka-console-producer发送消息到taihaometrics Topic。
tail -f metrics.log | kafka-console-producer.sh --broker-list core-1-1:9092 --topic taihaometrics

步骤二：新增网络链接

进入网络连接页面。

1. 在EMR控制台的左侧导航栏，选择EMR Serverless > Spark。
2. 在Spark页面，单击目标工作空间名称。
3. 在EMR Serverless Spark页面，单击左侧导航栏中的网络连接。

在网络连接页面，单击新增网络连接。
在新增网络连接对话框中，配置以下信息，单击确定。

参数	说明
连接名称	输入新增连接的名称。例如，connection_to_emr_kafka。
专有网络	选择与EMR集群相同的专有网络。如果当前没有可选择的专有网络，请单击创建专有网络，前往专有网络控制台创建，详情请参见创建和管理专有网络^[4]。
交换机	选择与EMR集群部署在同一专有网络下的相同交换机。如果当前可用区没有交换机，请单击虚拟交换机，前往专有网络控制台创建，详情请参见创建和管理交换机[5]。

当状态显示为已成功时，表示新增网络连接成功。

步骤三：为EMR集群添加安全组规则

获取集群节点交换机的网段。
您可以在节点管理页面，单击节点组名称，查看关联的交换机信息，然后登录专有网络管理控制台[6]，在交换机页面获取交换机的网段。
添加安全组规则。

1. 在集群管理页面，单击目标集群的集群ID。
2. 在基础信息页面，单击集群安全组后面的链接。
3. 在安全组规则页面，单击手动添加，填写端口范围和授权对象，然后单击保存。

参数

说明

端口范围

填写9092端口。

授权对象

填写前一步骤中获取的指定交换机的网段。

重要

为防止被外部的用户攻击导致安全问题，授权对象禁止填写为0.0.0.0/0。

步骤四：上传JAR包至OSS

解压文件kafka.zip[7]，并将文件中的所有JAR包至OSS，上传操作请参见简单上传^[8]。

步骤五：上传资源文件

在EMR Serverless Spark页面，单击左侧导航栏中的文件管理。
在文件管理页面，单击上传文件。
在上传文件对话框中，单击待上传文件区域选择pyspark_ss_demo.py[9]文件。

步骤六：新建并启动流任务

1. 在EMR Serverless Spark页面，单击左侧的数据开发。

2. 单击新建。

3. 输入名称，任务类型选择Application（流任务） > PySpark，然后单击确定。

4. 在新建的开发中，配置以下信息，其余参数无需配置，然后单击保存。

参数	说明
主Python资源	选择前一个步骤中在资源上传页面上传的pyspark_ss_demo.py文件。
引擎版本	Spark的版本，详情请参见引擎版本介绍[10]。
运行参数	EMR集群core-1-1节点的内网IP地址。您可以在EMR集群的节点管理页面的Core节点组下查看。
Spark配置	Spark的配置信息。本文示例如下。 spark.jars oss://path/to/commons-pool2-2.11.1.jar,oss://path/to/kafka-clients-2.8.1.jar,oss://path/to/spark-sql-kafka-0-10_2.12-3.3.1.jar,oss://path/to/spark-token-provider-kafka-0-10_2.12-3.3.1.jar spark.emr.serverless.network.service.name connection_to_emr_kafka 说明 `spark.jars:`指定Spark任务运行时需要加载的外部JAR包路径。请根据实际情况替换为步骤四中上传的所有JAR包文件路径。 `spark.emr.serverless.network.service.name:`指定网络连接的名称。请根据实际情况替换为步骤二中创建的网络连接名称。