LAS Spark

1 概述

LAS Spark 任务适用于定时执行 Spark 离线任务的场景，支持 Jar 包资源和 Python资源引用的方式。

2 使用前提

项目已绑定 湖仓一体分析服务（LAS）引擎，操作详见：新建项目。

3 新建任务

1. 登录 DataLeap租户控制台 。
2. 在 概览 界面，显示加入的项目中，点击 数据开发 进入对应项目。
3. 在 任务开发 界面，左侧导航栏中，点击 新建任务 按钮，进入 新建任务 页面。
4. 选择任务类型：
   1. 分类：数据开发。
   2. 绑定引擎：LAS。
   3. 关联实例：显示项目绑定时的引擎实例信息 default。
   4. 选择任务：离线数据 LAS Spark 。
5. 填写任务基本信息：
   1. 任务名称：输入任务的名称，只允许字符.、字母、数字、下划线、连字符、[]、【】、（）、()以及中文字符，且需要在127个字符以内。
   2. 保存至： 选择任务存放的目标文件夹目录。
6. 点击 确定 按钮，成功创建任务。
   

4 任务配置说明

在任务配置界面完成以下参数配置。

4.1 语言设置

语言类型支持 Java、Python。

4.2 引入资源

• 语言类型选择 Java 时，资源类型支持 Jar 资源包的形式，可以按以下方式选择资源：
  • 从资源库选取已有的 jar 资源
  • 新建资源，详见：资源库。
• 语言类型选择 Python 时：
  • 资源类型默认选择 Python 类型，且需选择资源所关联的 LAS Schema 库信息。
  • 在编辑器中输入 Python 语句，执行引擎只支持 Python3.7。示例脚本如下：

  from pyspark import SparkFiles
  from pyspark.sql import SparkSession
  from pyspark.sql import SQLContext
  
  job_name='pyspark_test_on_las'
  
  spark = SparkSession.builder.appName(job_name).getOrCreate()
  spark.sql("select 1").show(10)
  
  spark.stop()
  

4.3 参数配置

spark.yarn.appMasterEnv.PYTHONPATH="$PYTHONPATH:/xxx"
spark.executorEnv.PYTHONPATH="$PYTHONPATH:/xxx"

4.4 任务产出登记

任务产出数据登记，用于记录任务---数据血缘信息，并不会对代码逻辑造成影响。对于系统无法通过解析获取产出信息的任务，可手动登记其产出信息。
如果任务含有 LAS 表的写入操作，强烈建议填写。您填写的内容即为任务产出，支持填写多个。其他任务的依赖推荐会根据此处填写的 LAS 表信息进行推荐。 具体登记内容包括：

• 数据类型：选择 LAS 时，需下拉选择当前任务写入数据的 LAS 数据库和数据表信息。
• 其他：该任务不写数据到 LAS 表。

5 使用示例

以下示例将为您演示如何通过 LAS Spark 任务中 Python 语言方式，来直接访问 LAS 表中的数据。

5.1 数据准备

1. 新建 LAS SQL 作业，操作详见：LAS SQL。
2. 在代码编辑区，编辑并执行以下示例语句，创建 LAS 示例表，并将数据写入表中：

CREATE  TABLE IF NOT EXISTS test_schema.student_demo (
    id INT COMMENT 'id',
    name STRING COMMENT 'name',
    age INT COMMENT 'age'
    )
    PARTITIONED BY (date STRING COMMENT 'date partition');
    
INSERT INTO test_schema.student_demo PARTITION (date = '20230518') VALUES(1, 'TOM', 10);

5.2 配置 LAS Spark 任务

1. 新建 LAS Spark 任务，详见上方新建任务。
2. 进入任务配置界面，语言类型选择 Python。
3. 选择库表资源所需关联的 LAS Schema 库信息：test_schema。
   
4. 在代码编辑区域，编辑以下相关 Python 查询语句：

   from pyspark import SparkConf
   from pyspark.context import SparkContext
   from pyspark.sql import SparkSession, SQLContext
   
   SparkContext._ensure_initialized()
   #spark = Sparksession._create_shell_session ()
   spark = SparkSession.builder \
       .appName("pyspark_test_las") \
       .config("spark.sql.tunnel.enabled", "true") \
       .config("spark.sql.tunnel.access.key.id", "AccessKey ID")\
       .config("spark.sql.tunnel.secret.access.key", "AccessKey Secret")\
       .config("spark.sql.tunnel.endpoint","100.96.4.12:80") \
       .config("spark.sql.tunnel.service.region","cn-beijing") \
       .config("spark.sql.extensions","org.apache.spark.sql.LASExtension") \
       .enableHiveSupport() \
       .getOrCreate ()
   sc = spark.sparkContext
   sql = spark.sql
   sqlContext = spark._wrapped
   sqlCtx = sqlContext
   
   df = sql("select * from test_schema.student_demo WHERE date='20230518';")
   df.show()
   
   spark.stop()
   

• 替换参数说明：

  参数	说明
  appName	自定义 Spark 任务名称。
  AccessKey ID	可前往访问控制的密钥管理中查看 Access Key ID。相关操作说明请参见 Access Key（密钥）管理。
  AccessKey Secret	可前往访问控制的密钥管理中查看 Secret Access Key。相关操作说明请参见 Access Key（密钥）管理。

5.3 调试运行

任务配置完成后，您可单击操作栏中的保存和调试按钮，进行任务调试。

5.4 查看日志

待任务执行成功后，您可进入火山引擎控制台：

1. 搜索访问 LAS 服务，单击进入 LAS 控制台 > 作业管理 > SparkJar 作业界面。
2. 在作业列表界面，单击右侧操作列中的日志按钮，进入到 SparkJar 作业详细日志界面。
3. 单击 Driver 日志页签，并搜索数据关键字信息，从日志中查看 LAS 表数据查询结果。
   

6 提交任务

调试任务成功，并查看日志校验数据情况无误后，返回数据开发界面，将任务提交发布到运维中心离线任务运维中执行。
单击上方操作栏中的保存和提交上线按钮，在提交上线对话框中，选择回溯数据、监控设置、提交设置等参数，最后单击确认按钮，完成作业提交。 提交上线说明详见：数据开发概述---离线任务提交。
后续任务运维操作详见：离线任务运维。