本文主要介绍如何使用DLA Spark访问用户VPC中的HADOOP集群(开启kerberos认证的集群暂不支持)。

前提条件

  • 您已开通数据湖分析DLA(Data Lake Analytics)服务,详情请参见开通云原生数据湖分析服务并在云原生数据湖分析DLA控制台上创建了Spark虚拟集群创建虚拟集群
  • 您已开通对象存储OSS(Object Storage Service)服务,详情请参见开通OSS服务
  • 准备创建Spark计算节点所需要的交换机id安全组id,可以选择已有的交换机和安全组,也可以新建交换机和安全组。交换机和安全组需要满足以下条件。
    • 交换机需要与您的Hadoop服务集群在同一VPC下。可使用您Hadoop集群控制台上的交换机id,如下图所示分别是EMR集群云Hbase-Spark集群的交换机id信息EMR交换机Xpack-Spark交换机id
    • 安全组需要与您的Hadoop服务集群在同一VPC下。您可以前往ECS控制台-网络与安全-安全组按照专有网络(VPC)id搜索该VPC下的安全组,任意选择一个安全组id即可。安全组
    • 如果您的Hadoop服务有白名单控制,需要您将交换机网段加入到您Hadoop服务的白名单中。如下图所示是给云Hbase-Spark集群添加交换机网段白名单云Hbase-Spark白名单
    注意 对于Xpack-Spark用户首先联系云X-Pack Spark答疑(钉钉号:dgw-jk1ia6xzp)开通HDFS, 由于HDFS的开放可能造成用户的恶意攻击,引起集群不稳定甚至造成破坏。因此XPack-Spark的HDFS功能暂时不直接开放给用户。

操作步骤

  1. 获取需要在DLA Spark配置的Hadoop相关参数。
    说明 如果您的Hadoop服务所在集群无法执行spark作业,可以跳过这步。
    我们提供了工具来读取您Hadoop服务所在集群的配置,您可以按照下面的地址下载spark-examples-0.0.1-SNAPSHOT-shaded.jar并上传至OSS, 然后提交Spark作业到用户的Hadoop服务所在集群上执行,即可在作业输出中获得访问Hadoop所需的配置。
    wget https://dla003.oss-cn-hangzhou.aliyuncs.com/GetSparkConf/spark-examples-0.0.1-SNAPSHOT-shaded.jar
    • EMR用户将Jar包上传至OSS后,可以通过以下命令提交获取配置作业:
      --class com.aliyun.spark.util.GetConfForServerlessSpark
      --deploy-mode client
      ossref://{path/to}/spark-examples-0.0.1-SNAPSHOT-shaded.jar
      get hadoop
      作业运行完毕后,可以通过SparkUI查看driver的stdout输出或者从作业详情中的提交日志中查看输出的配置。图片
    • 云Hbase-Spark用户将Jar包上传至资源管理目录后,以用以下命令提交获取配置作业:
      --class com.aliyun.spark.util.GetConfForServerlessSpark
      /{path/to}/spark-examples-0.0.1-SNAPSHOT-shaded.jar
      get hadoop
      等待作业完成后,通过SparkUI的driver中的stdout查看输出配置tp
    • 其他HDOOP集群,如果您在集群上未设置HADOOP_CONF_DIR环境变量,则需要手动输入HADOOP_CONF_DIR路径。
      --class com.aliyun.spark.util.GetConfForServerlessSpark
      /{path/to}/spark-examples-0.0.1-SNAPSHOT-shaded.jar
      get --hadoop-conf-dir </path/to/your/hadoop/conf/dir> hadoop
  2. 编写访问HDFS的SparkApplication
    以下示例代码可以根据传入的HDFS目录信息,来读写HDFS目录,然后把内容展示出来:
    package com.aliyun.spark
    
    import org.apache.spark.sql.SparkSession
    
    object SparkHDFS {
      def main(args: Array[String]): Unit = {
        val sparkSession = SparkSession
          .builder()
          .appName("Spark HDFS TEST")
          .getOrCreate()
    
        val welcome = "hello, dla-spark"
    
        //hdfs目录用于存放内容
        val hdfsPath = args(0)
        //将welcome字符串存入指定的hdfs目录
        sparkSession.sparkContext.parallelize(Seq(welcome)).saveAsTextFile(hdfsPath)
        //从指定的hdfs目录中读取内容,并打印
        sparkSession.sparkContext.textFile(hdfsPath).collect.foreach(println)
      }
    }
  3. 将SparkApplication jar包和依赖上传至OSS中
    详情请参见上传文件
    说明 OSS所在的region和Serverless Spark所在的region需要保持一致。
  4. 在DLA Spark中提交作业并进行计算。
    • 如果您的HDFS服务以非高可用的模式部署(即只有一个Mater节点/NameNode),详情请参见创建和执行Spark作业作业配置指南
      {
          "args": [
              "${fs.defaultFS}/tmp/dla_spark_test"
          ],
          "name": "spark-on-hdfs",
          "className": "com.aliyun.spark.SparkHDFS",
          "conf": {
          "spark.dla.eni.enable": "true",
          "spark.dla.eni.vswitch.id": "{您的交换机id}",
          "spark.dla.eni.security.group.id": "{您的安全组id}",    
          "spark.dla.job.log.oss.uri": "oss://<指定您存放SparkUI日志的目录/>",
          "spark.driver.resourceSpec": "medium",
          "spark.executor.instances": 1,
          "spark.executor.resourceSpec": "medium"
          },
          "file": "oss://{您的jar包所属的oss路径}"
      }
      参数说明如下:
      参数 说明 备注
      fs.defaultFS 您的hdfs配置文件中core-site.xml 中的配置,注意如果fs.defaultFS配置的是机器的域名,需要转换成域名所对应的ip。典型格式 hdfs://${域名对应的ip}:9000/path/to/dir。 用户可以通过登录集群master节点,通过/etc/hosts文件查看域名和ip的对应关系,或者直接采取ping域名的方式获取,或者通过步骤1获取相应配置。
      spark.dla.eni.vswitch.id 您的交换机id。
      spark.dla.eni.security.group.id 您的安全组id。
      spark.dla.eni.enable 控制开启或关闭ENI。
      作业运行成功后,单击操作 > 日志,查看作业日志。图片
    • 如果您的HDFS以高可用模式部署(即有一个以上Master节点/NameNode)。
      {
          "args": [
              "${fs.defaultFS}/tmp/test"
          ],
          "name": "spark-on-hdfs",
          "className": "com.aliyun.spark.SparkHDFS",
          "conf": {
              "spark.dla.eni.enable": "true",
              "spark.dla.eni.vswitch.id": "{您的交换机id}",
              "spark.dla.eni.security.group.id": "{您的安全组id}",
              "spark.driver.resourceSpec": "medium",
              "spark.dla.job.log.oss.uri": "oss://<指定您存放SparkUI日志的目录/>",  
              "spark.executor.instances": 1,
              "spark.executor.resourceSpec": "medium",
              "spark.hadoop.dfs.nameservices":"{您的nameservices名称}",
              "spark.hadoop.dfs.client.failover.proxy.provider.${nameservices}":"{您的failover proxy provider实现类全路径名称}",
              "spark.hadoop.dfs.ha.namenodes.${nameservices}":"{您的nameservices所属namenode列表}",
              "spark.hadoop.dfs.namenode.rpc-address.${nameservices}.${nn1}":"namenode0所属的ip:port",
              "spark.hadoop.dfs.namenode.rpc-address.${nameservices}.${nn2}":"namenode1所属的ip:port"
          },
          "file": "oss://{{您的jar包所属的oss路径}"
      }
    参数 说明 备注
    spark.hadoop.dfs.nameservices 对应hdfs-site.xml中的dfs.nameservices
    spark.hadoop.dfs.client.failover.proxy.provider.${nameservices} 对应hdfs-site.xml中的dfs.client.failover.proxy.provider.${nameservices}
    spark.hadoop.dfs.ha.namenodes.${nameservices} 对应hdfs-site.xml中的dfs.ha.namenodes.${nameservices}
    spark.hadoop.dfs.namenode.rpc-address.${nameservices}.${nn1/nn2} 对用hdfs-site.xml中的dfs.namenode.rpc-address.${nameservices}.${nn1/nn2} 注意这里应该填写namenode域名对应的ip:port,用户可以通过用户集群master节点中的/etc/hosts文件查看域名和ip的对应关系,或者通过步骤1获取相应的配置。