使用Azkaban调度执行spark-sql任务的小Demo

1 、准备数据

准备表dm_action_log 数据如下：

bdp_day	action	uv
20190101	click	11173
20190101	exit	11109
20190101	install	11139
20190101	launch	11083
20190101	login	11220
20190101	page_enter_h5	11016
20190101	page_enter_native	11076
20190101	page_exit	11120
20190101	register	11064
20190102	click	11168
···················只取前十条·························

2 、编写azkaban调度job

dm_action_log.sh

#!/bin/bash
/usr/local/spark/bin/spark-sql --master yarn --name action_launch_job -S -f dm_action_log.hql

dm_action_log.job

type=command
command=sh dm_action_log.sh

dm_action_log.hql

use databasename;
create table if not exists databasename.dm_action_log_bak(
bdp_day string comment '时间',
action string comment '行为',
uv int comment 'uv'
)
stored as parquet;

insert overwrite table databasename.dm_action_log_bak
select bdp_day,action,count(userid) uv from databasename.dw_action_log 
group by bdp_day,action;

这里注意这里需要是Unix环境（notepad++为例）

3 、配置spark-sql运行环境

3、1修改 yarn-site.xml，添加两行配置

<!--配置虚拟内存不生效，解决spark yarn 模式问题-->
<property> 
   <name>yarn.nodemanager.vmem-check-enabled</name> 
   <value>false</value> 
</property>
<!--配置虚拟内存大小，解决spark yarn 模式问题-->
 <property>
    <name>yarn.nodemanager.vmem-pmem-ratio</name>
    <value>4</value>
    <description>Ratio between virtual memory to physical memory when setting memory limits for containers</description>
 </property>

3、2 发送配置文件

• 把修改后的 yarn-site.xml 发送到集群其他节点
• 把$HADOOP_HOME/etc/hadoop中的 core-site.xml 和 hdfs-site.xml发送到$SPARK_HOME/conf/中（如果是spark集群，需要发送到每一个）
• 把hive-site.xml同样也发送到spark的每个节点（$SPARK_HOME\conf\）
  

4 、启动hadoop集群和spark集群

5 、启动Azkaban并创建任务

6 、上传zip包执行任务

把 dm_action_log.sh、dm_action_log.job、dm_action_log.hql，打成zip包

7 、等待执行成功

发生ERROR怎么办？
推荐以下两个网站
网站一
网站二