Skip to content

Spark

Все классы соединений БД (Clickhouse, Greenplum, Hive и другие) и все классы соединений FileDF (SparkHDFS, SparkLocalFS, SparkS3) требуют установки Spark.

Установка Java

В первую очередь следует установить JDK. Точная инструкция по установке зависит от вашей ОС, вот некоторые примеры:

yum install java-1.8.0-openjdk-devel  # CentOS 7 + Spark 2
dnf install java-11-openjdk-devel  # CentOS 8 + Spark 3
apt-get install openjdk-11-jdk  # Debian-based + Spark 3

Матрица совместимости

Spark Python Java Scala
2.3.x только 3.7 только 8 2.11
2.4.x только 3.7 только 8 2.11
3.2.x 3.7 - 3.10 8u201 - 11 2.12
3.3.x 3.7 - 3.12 8u201 - 17 2.12
3.4.x 3.7 - 3.12 8u362 - 20 2.12
3.5.x 3.8 - 3.13 8u371 - 20 2.12

Установка PySpark

Затем нужно установить PySpark, передав spark в extras:

pip install onetl[spark]  # установить последнюю версию PySpark

или установить PySpark явно:

pip install onetl pyspark==3.5.5  # установить конкретную версию PySpark

или внедрить PySpark в sys.path каким-либо другим способом ДО создания экземпляра класса. В противном случае объект соединения не может быть создан.

Внедрение Java-пакетов

Некоторые классы соединений БД и FileDF требуют внедрения определенных пакетов в CLASSPATH сессии Spark, например, JDBC драйверов.

Обычно это делается путем настройки опции spark.jars.packages при создании сессии Spark:

# вот список пакетов для загрузки:
maven_packages = (
    Greenplum.get_packages(spark_version="3.2")
    + MySQL.get_packages()
    + Teradata.get_packages()
)

spark = (
    SparkSession.builder.config("spark.app.name", "onetl")
    .config("spark.jars.packages", ",".join(maven_packages))
    .getOrCreate()
)

Spark автоматически разрешает пакет и все его зависимости, загружает их и внедряет в сессию Spark (как драйвер, так и все исполнители).

Это требует доступа к интернету, поскольку метаданные пакетов и файлы .jar загружаются из Maven Repository.

Но иногда требуется:

  • Установить пакет без прямого доступа к интернету (изолированная сеть)
  • Установить пакет, который недоступен в Maven

Существует несколько способов сделать это.

Использование spark.jars

Самое простое решение, но это требует хранения файлов .jar где-то в файловой системе или на веб-сервере.

  • Загрузите файлы package.jar (обычно это что-то вроде some-package_1.0.0.jar). Локальное имя файла не имеет значения, но оно должно быть уникальным.
  • (Для spark.submit.deployMode=cluster) поместите загруженные файлы в HDFS или разверните их на любом HTTP-веб-сервере, обслуживающем статические файлы. Смотрите официальную документацию для получения более подробной информации.
  • Создайте сессию Spark, передав абсолютный путь к файлу .jar в опцию конфигурации Spark spark.jars:

=== spark.submit.deployMode=client (по умолчанию)

        jar_files = ["/path/to/package.jar"]

        # не передавайте spark.jars.packages
        spark = (
            SparkSession.builder.config("spark.app.name", "onetl")
            .config("spark.jars", ",".join(jar_files))
            .getOrCreate()
        )

=== spark.submit.deployMode=cluster

        # вы также можете передавать URL-адреса, например http://domain.com/path/to/downloadable/package.jar
        jar_files = ["hdfs:///path/to/package.jar"]

        # не передавайте spark.jars.packages
        spark = (
            SparkSession.builder.config("spark.app.name", "onetl")
            .config("spark.jars", ",".join(jar_files))
            .getOrCreate()
        )

Использование spark.jars.repositories

Примечание

В этом случае Spark все равно будет пытаться получить пакеты из интернета, поэтому если у вас нет доступа к интернету, сессия Spark будет создана со значительной задержкой из-за всех попыток получить пакеты.

Может использоваться, если у вас есть доступ как к публичным репозиториям (таким как Maven), так и к приватному репозиторию Artifactory/Nexus.

  • Настройте приватный репозиторий Maven в JFrog Artifactory или Sonatype Nexus.
  • Загрузите файл package.jar (обычно это что-то вроде some-package_1.0.0.jar). Локальное имя файла не имеет значения.
  • Загрузите файл package.jar в приватный репозиторий (с теми же groupId и artifactoryId, что и в исходном пакете в Maven).
  • Передайте URL репозитория в опцию конфигурации Spark spark.jars.repositories.
  • Создайте сессию Spark, передав имя пакета в опцию конфигурации Spark spark.jars.packages:
maven_packages = (
    Greenplum.get_packages(spark_version="3.2")
    + MySQL.get_packages()
    + Teradata.get_packages()
)

spark = (
    SparkSession.builder.config("spark.app.name", "onetl")
    .config("spark.jars.repositories", "http://nexus.mydomain.com/private-repo/")
    .config("spark.jars.packages", ",".join(maven_packages))
    .getOrCreate()
)

Использование spark.jars.ivySettings

То же самое, что и выше, но может использоваться даже при отсутствии сетевого доступа к публичным репозиториям, таким как Maven.

  • Настройте приватный репозиторий Maven в JFrog Artifactory или Sonatype Nexus.
  • Загрузите файл package.jar (обычно это что-то вроде some-package_1.0.0.jar). Локальное имя файла не имеет значения.
  • Загрузите файл package.jar в приватный репозиторий (с теми же groupId и artifactoryId, что и в исходном пакете в Maven).
  • Создайте файл ivysettings.xml (см. ниже).
  • Добавьте сюда resolver с URL репозитория (и учетными данными, если требуется).
  • Передайте абсолютный путь к ivysettings.xml в опцию конфигурации Spark spark.jars.ivySettings.
  • Создайте сессию Spark, передав имя пакета в опцию конфигурации Spark spark.jars.packages:

=== ivysettings-all-packages-uploaded-to-nexus.xml

        <ivysettings>
            <settings defaultResolver="main"/>
            <resolvers>
                <chain name="main" returnFirst="true">
                    <!-- Использовать кэш Maven -->
                    <ibiblio name="local-maven-cache" m2compatible="true" root="file://${user.home}/.m2/repository"/>
                    <!-- Использовать файлы -/.ivy2/jars/*.jar -->
                    <ibiblio name="local-ivy2-cache" m2compatible="false" root="file://${user.home}/.ivy2/jars"/>
                    <!-- Загрузить все пакеты из собственного экземпляра Nexus -->
                    <ibiblio name="nexus-private" m2compatible="true" root="http://nexus.mydomain.com/private-repo/" />
                </chain>
            </resolvers>
        </ivysettings>

=== ivysettings-private-packages-in-nexus-public-in-maven.xml

        <ivysettings>
            <settings defaultResolver="main"/>
            <resolvers>
                <chain name="main" returnFirst="true">
                    <!-- Использовать кэш Maven -->
                    <ibiblio name="local-maven-cache" m2compatible="true" root="file://${user.home}/.m2/repository"/>
                    <!-- Использовать файлы -/.ivy2/jars/*.jar -->
                    <ibiblio name="local-ivy2-cache" m2compatible="false" root="file://${user.home}/.ivy2/jars"/>
                    <!-- Загрузить приватные пакеты из собственного экземпляра Nexus -->
                    <ibiblio name="nexus-private" m2compatible="true" root="http://nexus.mydomain.com/private-repo/" />
                    <!-- Загрузить другие пакеты из Maven -->
                    <ibiblio name="central" m2compatible="true" />
                    <!-- Загрузить другие пакеты из SparkPackages -->
                    <ibiblio name="spark-packages" m2compatible="true" root="https://repos.spark-packages.org/" />
                </chain>
            </resolvers>
        </ivysettings>

=== ivysettings-private-packages-in-nexus-public-fetched-using-proxy-repo.xml

        <ivysettings>
            <settings defaultResolver="main"/>
            <resolvers>
                <chain name="main" returnFirst="true">
                    <!-- Использовать кэш Maven -->
                    <ibiblio name="local-maven-cache" m2compatible="true" root="file://${user.home}/.m2/repository"/>
                    <!-- Использовать файлы -/.ivy2/jars/*.jar -->
                    <ibiblio name="local-ivy2-cache" m2compatible="false" root="file://${user.home}/.ivy2/jars"/>
                    <!-- Загрузить приватные пакеты из собственного экземпляра Nexus -->
                    <ibiblio name="nexus-private" m2compatible="true" root="http://nexus.mydomain.com/private-repo/" />
                    <!-- Загрузить публичные пакеты из того же экземпляра Nexus, используя Proxy Repo
                    См. https://help.sonatype.com/repomanager3/nexus-repository-administration/repository-management#RepositoryManagement-ProxyRepository
                    -->
                    <ibiblio name="nexus-proxy" m2compatible="true" root="http://nexus.mydomain.com/proxy-repo/" />
                </chain>
            </resolvers>
        </ivysettings>

=== ivysettings-nexus-with-auth-required.xml

        <ivysettings>
            <settings defaultResolver="main"/>
            <properties environment="env"/>
            <!-- использовать переменные окружения NEXUS_USER и NEXUS_PASSWORD как учетные данные для аутентификации в Nexus -->
            <property name="repo.username" value="${env.NEXUS_USER}"/>
            <property name="repo.pass" value="${env.NEXUS_PASSWORD}"/>
            <!-- значение realm описано
            - здесь https://stackoverflow.com/a/38019000
            - здесь https://github.com/sonatype/nexus-book-examples/blob/master/ant-ivy/simple-project/ivysettings.xml
            - здесь https://support.sonatype.com/hc/en-us/articles/213465388-How-do-I-configure-my-Ivy-build-to-deploy-artifacts-to-Nexus-Repository-2-
            -->
            <credentials host="nexus.mydomain.com" username="${repo.username}" passwd="${repo.pass}" realm="Sonatype Nexus Repository Manager" />
            <resolvers>
                <chain name="main" returnFirst="true">
                    <!-- Использовать кэш Maven -->
                    <ibiblio name="local-maven-cache" m2compatible="true" root="file://${user.home}/.m2/repository"/>
                    <!-- Использовать файлы -/.ivy2/jars/*.jar -->
                    <ibiblio name="local-ivy2-cache" m2compatible="false" root="file://${user.home}/.ivy2/jars"/>
                    <!-- Загрузить все пакеты из собственного экземпляра Nexus, используя учетные данные для домена выше -->
                    <ibiblio name="nexus-private" m2compatible="true" root="http://nexus.mydomain.com/private-repo/" />
                </chain>
            </resolvers>
        </ivysettings>

```python "script.py"

maven_packages = ( Greenplum.get_packages(spark_version="3.2") + MySQL.get_packages() + Teradata.get_packages() )

spark = ( SparkSession.builder.config("spark.app.name", "onetl") .config("spark.jars.ivySettings", "/path/to/ivysettings.xml") .config("spark.jars.packages", ",".join(maven_packages)) .getOrCreate() ) 

### Поместить файл `.jar` в `-/.ivy2/jars/`

Может использоваться для передачи уже загруженного файла в Ivy и пропуска разрешения пакета из Maven.

- Загрузите файл `package.jar` (обычно это что-то вроде `some-package_1.0.0.jar`). Локальное имя файла не имеет значения, но оно должно быть уникальным.
- Переместите его в папку `-/.ivy2/jars/`.
- Создайте сессию Spark, передав имя пакета в опцию конфигурации Spark `spark.jars.packages`:

```python
maven_packages = (
    Greenplum.get_packages(spark_version="3.2")
    + MySQL.get_packages()
    + Teradata.get_packages()
)

spark = (
    SparkSession.builder.config("spark.app.name", "onetl")
    .config("spark.jars.packages", ",".join(maven_packages))
    .getOrCreate()
)

Поместить файл .jar в папку jars Spark

Примечание

Файл пакета должен быть размещен на всех хостах/контейнерах, где работает Spark, как на драйвере, так и на всех экзекуторах.

Обычно это используется только с: * spark.master=local (драйвер и исполнители работают на одном хосте), * spark.master=k8s://... (файлы .jar добавляются в образ или в том, подключенный ко всем подам).

Может использоваться для встраивания файлов .jar в путь классов Spark по умолчанию.

  • Загрузите файл package.jar (обычно это что-то вроде some-package_1.0.0.jar). Локальное имя файла не имеет значения, но оно должно быть уникальным.
  • Переместите его в папку $SPARK_HOME/jars/, например, ^/.local/lib/python3.7/site-packages/pyspark/jars/ или /opt/spark/3.2.3/jars/.
  • Создайте сессию Spark БЕЗ передачи имени пакета в spark.jars.packages
# нет необходимости устанавливать spark.jars.packages или любую другую опцию spark.jars.*
# все jars уже присутствуют в CLASSPATH и загружаются автоматически

spark = SparkSession.builder.config("spark.app.name", "onetl").getOrCreate()

Ручное добавление файлов .jar в CLASSPATH

Примечание

Файл пакета должен быть размещен на всех хостах/контейнерах, где работает Spark, как на драйвере, так и на всех экзекуторах.

Обычно это используется только с: * spark.master=local (драйвер и исполнители работают на одном хосте), * spark.master=k8s://... (файлы .jar добавляются в образ или в том, подключенный ко всем подам).

Может использоваться для встраивания файлов .jar в путь классов Java по умолчанию.

  • Загрузите файл package.jar (обычно это что-то вроде some-package_1.0.0.jar). Локальное имя файла не имеет значения.
  • Установите переменную окружения CLASSPATH на /path/to/package.jar. Вы можете установить несколько путей к файлам
  • Создайте сессию Spark БЕЗ передачи имени пакета в spark.jars.packages
# нет необходимости устанавливать spark.jars.packages или любую другую опцию spark.jars.*
# все jars уже присутствуют в CLASSPATH и загружаются автоматически

import os

jar_files = ["/path/to/package.jar"]
# разные разделители для Windows и Linux
delimiter = ";" if os.name == "nt" else ":"
spark = (
    SparkSession.builder.config("spark.app.name", "onetl")
    .config("spark.driver.extraClassPath", delimiter.join(jar_files))
    .config("spark.executor.extraClassPath", delimiter.join(jar_files))
    .getOrCreate()
)