如何将 spark 参数传递给 dataproc 工作流模板？

Question

这是我的：

gcloud dataproc workflow-templates create $TEMPLATE_ID --region $REGION

gcloud beta dataproc workflow-templates set-managed-cluster $TEMPLATE_ID --region $REGION --cluster-name dailyhourlygtp --image-version 1.5 
--master-machine-type=n1-standard-8 --worker-machine-type=n1-standard-16 --num-workers=10 --master-boot-disk-size=500 
--worker-boot-disk-size=500 --zone=europe-west1-b


export STEP_ID=step_pyspark1

gcloud dataproc workflow-templates add-job pyspark \
gs://$BUCKET_NAME/my_pyscript.py \
--step-id $STEP_ID \
--workflow-template $TEMPLATE_ID \
--region $REGION \
--jar=gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar
--initialization-actions gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar
--properties spark.jars.packages=gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar

gcloud dataproc workflow-templates instantiate $TEMPLATE_ID --region=$REGION

所以这里的问题是如何将以下 spark 参数传递给我的 my_pyscript.py:

--master yarn     --deploy-mode cluster     --conf "spark.sql.shuffle.partitions=900" 
--conf "spark.sql.autoBroadcastJoinThreshold=10485760" --conf "spark.executor.memoryOverhead=8192" 
--conf "spark.dynamicAllocation.enabled=true" --conf "spark.shuffle.service.enabled=true" 
--executor-cores 5 --executor-memory 15g --driver-memory 16g

Answer 1

这在文档中有描述 gcloud dataproc workflow-templates add-job pyspark:

--properties=[PROPERTY=VALUE,…]
List of key value pairs to configure PySpark. For a list of available properties, see: https://spark.apache.org/docs/latest/configuration.html#available-properties.

所以你会像 submit pyspark jobs 没有模板的 dataproc 集群那样做。已提交作业的 spark 属性通过 --properties 参数作为键值数组传递。

如果您的 python 作业需要参数，您可以在位置参数 -- 的右侧指定它们并以空格分隔。

对于你的例子，可以这样做：

gcloud dataproc workflow-templates add-job pyspark \
gs://$BUCKET_NAME/my_pyscript.py \
--step-id $STEP_ID \
--workflow-template $TEMPLATE_ID \
--region $REGION \
--properties="spark.submit.deployMode"="cluster",\
"park.sql.shuffle.partitions"="900",\
"spark.sql.autoBroadcastJoinThreshold"="10485760",\
"spark.executor.memoryOverhead"="8192",\
"spark.dynamicAllocation.enabled"="true",\
"spark.shuffle.service.enabled"="true",\
"spark.executor.memory"="15g",\
"spark.driver.memory"="16g",\
"spark.executor.cores"="5" \
-- arg1 arg2 # for named args: -- -arg1 arg1 -arg2 arg2

如何将 spark 参数传递给 dataproc 工作流模板？

How to pass spark parameter to a dataproc workflow template?

apache-spark

google-cloud-platform

pyspark

google-cloud-dataproc