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。

使用前提 #

项目控制台中，已绑定了 Apache Hadoop/MiniBase Hadoop 引擎实例。

新建任务 #

1. 登录 DataLeap 控制台。
2. 在任务开发界面，单击新建任务 > 数据开发 > Apache Hadoop/MiniBase Hadoop 引擎类型按钮。
3. 关联实例默认展现项目控制台已绑定的 Apache Hadoop/MiniBase Hadoop 引擎实例。
4. 选择离线数 Spark 任务。
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. 单击确定按钮，成功创建任务。

任务配置 #

Spark 任务创建成功后，便可进入任务配置页面。

语言设置 #

语言类型支持 Java、Python。

引入资源 #

选择 Spark 任务引入的资源类型。

• 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：
  • Jar 资源包：
    支持下拉从资源库选取已有的 jar 资源。若还未创建 Jar 资源，您可单击新建资源按钮，前往资源库新建，详见资源库。
• 语言类型选择 Python 时：
  • 资源类型默认选择 Python 类型。
  • 在编辑器中输入Python语句，执行引擎默认支持Python2.7。需在代码顶行加上 # -- coding: utf-8 -- 以表示文件编码。

  注意

  若语句中需要设置系统环境变量时，需避免直接覆盖系统环境变量，请按照追加方式指定，例如PATH=$PATH:/home/lihua/apps/bin/;

参数配置 #

任务产出数据登记 #

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 Hive 表或者 HDFS 目录的写入操作，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 Hive 表或者 HDFS 目录进行推荐。
具体登记内容包括：

• HDFS：该任务会写数据到 HDFS 目录，请填写 HDFS 路径名，路径名可以使用变量，例如 ${date}、${hour} 等。
• Hive：该任务会写数据到 Hive 表，请填写 Hive 库、表名、分区名，分区内容可以使用变量。
• 其他：该任务不写数据到 Hive 表或 HDFS 目录。

调度设置 #

任务配置完成后，在右侧导航栏中，单击调度配置按钮，进入调度配置窗口，您可以在此设置调度属性、依赖、任务输入输出参数等信息。详细参数设置详见：调度设置。

调试运行 #

代码逻辑和参数配置完成后，您可以在界面进行调试操作。
在编辑器上方，依次单击保存、调试按钮，等待调试完成。在下方调试记录左侧，您可通过选择调试状态，筛选出不同调试状态下的历史运行记录。

• 在调试记录左侧，您可通过选择调试状态，筛选出不同调试状态下的历史运行记录。
  • 鼠标移动至调试记录上，可查看包括状态、业务日期、提交人等信息。
  • 双击调试记录，您还可编辑调试名称信息，并回车保存。
    
• 单击调试记录，在调试记录右侧，可以查看运行记录的执行日志、概览等详细信息：
  • 概览：查看运行结果的概览情况，包括调试业务日期、执行时长和运行代码等信息。
  • 执行日志：查看任务执行日志详情，可在此处查看 Spark 引擎对应的 JobManager 和 Driver 日志详情信息。并可在日志详情中，按需进行日志的类型选择、日志时间范围选择、日志关键字搜索及日志下载等操作。

    说明

    目前仅 Apache Hadoop 集群下的 Spark、HSQL 任务类型支持查看执行日志。

    

提交任务 #

调试结果无误后，单击提交上线按钮，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：提交上线。

后续任务运维操作详见：离线任务运维。

Spark使用说明 #

1. Spark insert overwrite 使用示例

   df.write.insertInto("aaa_bbb_doc_html_detail", True)
   

2. 用户自定义参数较多时，且存在K-V参数时，可参考如下配置：
   Spark程序中，如果自定义参数较多，可直接在自定义参数输入框中配置，使用空格分隔。数据开发运行时，会将自定义参数拼接到Main Class之后，配置输入参数格式需符合spark main class程序解析方式，如下图所示。
   
   如需使用时间变量，也可以直接在自定义参数中配置${date}/${DATE}等系统变量。

3. Spark优化参数
   表 Spark 优化参数说明

   参数	说明	默认值
   spark.executor.instances	静态资源下：executor数	2
   spark.executor.cores	每个executor和CPU数	4
   spark.dynamicAllocation.enabled	动态资源开关	false
   spark.dynamicAllocation.maxExecutors	动态资源下：executor的最大个数	500
   spark.executor.memory	每个executor的内存大小	16g
   spark.memory.fraction	executor用于计算的内存比例，剩余部分用于存储元数据和运行信息。对于executor内存开的较大的任务，可以适当提高这个值，让更多内存参与计算，但会增加OOM风险	0.6
   spark.executor.memoryOverhead/ spark.yarn.executor.memoryOverhead	每个executor的堆外内存大小，堆外内存主要用于数据IO，对于报堆外OOM的任务要适当调大，单位Mb，与之配合要调大executor JVM参数，例如： set spark.executor.memoryOverhead=3072 set spark.executor.extraJavaOptions=-XX:MaxDirectMemorySize=2560m	6144
   spark.sql.adaptive.enabled	Adaptive execution开关，包含自动调整并行度，解决数据倾斜等优化	true
   spark.sql.adaptive.minNumPostShufflePartitions	AE相关，动态最小的并行度	1
   spark.sql.adaptive.maxNumPostShufflePartitions	AE相关，动态最大的并行度，对于shuffle量大的任务适当增大可以减少每个task的数据量，如1024	1000
   spark.sql.adaptive.join.enabled	AE相关，开启后能够根据数据量自动判断能否将sortMergeJoin转换成broadcast join	true
   spark.sql.adaptiveBroadcastJoinThreshold	AE相关，spark.sql.adaptive.join.enabled设置为true后会判断join的数据量是否小于该参数值，如果小于则能将sortMergeJoin转换成broadcast join	spark.sql.autoBroadcastJoinThreshold
   spark.sql.adaptive.skewedJoin.enabled	AE相关，开启后能够自动处理join时的数据倾斜，对于数据量明显高于中位数的task拆分成多个小task	false
   spark.sql.adaptive.skewedPartitionFactor	AE相关，数据倾斜判定标准，当同一stage的某个task数据量超过中位数的N倍，将会判定为数据倾斜	5
   spark.sql.adaptive.skewedPartitionMaxSplits	AE相关，被判定为数据倾斜后最多会被拆分成的份数	5
   spark.shuffle.accurateBlockThreshold	AE相关，数据倾斜判定基于shuffle数据量统计，如果统计所有的block数据，消耗内存较大，因此设有阈值，当shuffle的单个数据块超过大小和行数阈值时，才会进入统计，这个参数即大小阈值	10010241024（100MB）
   spark.shuffle.accurateBlockRecordThreshold	AE相关，同上，行数阈值，如果设置了上面的数据倾斜处理开关，仍然倾斜，可能是因为这几个参数设得偏大，适当缩小	2 * 1024 * 1024
   spark.sql.files.maxPartitionBytes	默认一个task处理的数据大小，如果给的太小会造成最终任务task太多，太大会是输入环节计算较慢	1073741824
   spark.vcore.boost.ratio	vcore,虚拟核数，设置大于1的数可以使一个核分配多个task，对于简单sql可以提升CPU利用率，对于复杂任务有OOM风险	1
   spark.shuffle.hdfs.enabled（长任务推荐）	HDFS based Spark Shuffle开关，可以提高任务容错性。遇到org.apache.spark.shuffle.FetchFailedException报错需设置	false
   set spark.shuffle.io.maxRetries=1; set spark.shuffle.io.retryWait=0s;	一般在开启hdfs shuffle后还可以开启这两个参数，避免不必要的重试和等待
   spark.sql.crossJoin.enabled	对于会产生笛卡尔积的sql，默认配置是限制不能跑的，在hive里可以配置set hive.mapred.mode=nonstrict跳过限制，相对应的在spark里可以配置set spark.sql.crossJoin.enabled=true起到同样的效果。	false
   spark.sql.broadcastTimeout	broadcast joins时，广播数据最长等待时间，网络不稳定时，容易出现超时造成任务失败，可适当增大此参数。	300（单位：s）
   spark.sql.autoBroadcastJoinThreshold	表能够使用broadcast join的最大阈值	10MB
   spark.network.timeout	网络连接超时参数	120s
   spark.maxRemoteBlockSizeFetchToMem	reduce端获取的remote block存放到内存的阈值，超过该阈值后数据会写磁盘，当出现数据量比较大的block时，建议调小该参数（比如512MB）。	Long.MaxValue
   spark.reducer.maxSizeInFlight	控制从一个worker拉数据缓存的最大值	48m
   spark.merge.files.enabled	合并输出文件，如果insert结果的输出文件数很多，希望合并，可以设为true，会多增加一个repartition stage合并文件，repartition的分区数由spark.merge.files.number控制	false
   spark.merge.files.number	控制合并输出文件的输出数量	512
   spark.speculation	推测执行开关。如果是原生任务很有可能没开这个参数，会出现个别task拖慢整个任务，可以开启这个参数。	true
   spark.speculation.multiplier	开启推测执行的时间倍数阈值：当某个任务运行时间/中位数时间大于该值，触发推测执行。对于因为推测执行而浪费较多资源的任务可以适当调高这个参数。	1.5
   spark.speculation.quantile	同一个stage中的task超过这个参数比例的task完成后，才会开启推测执行。对于因为推测执行而浪费较多资源的任务可以适当调高这个参数。	0.75
   spark.default.parallelism	Spark Core默认并发度，原生spark程序并发度设置	200
   spark.sql.shuffle.partitions	Spark SQL默认并发度，AE开启后被spark.sql.adaptive.maxNumPostShufflePartitions取代	200
   spark.sql.sources.bucketing.enabled	分桶表相关，当设置为false，会将分桶表当作普通表来处理。做为普通表会忽略分桶特性，部分情况性能会下降。但如果分桶表没有被正确生成（即表定义是分桶表，但数据未按分桶表生成）会报错RuntimeException: Invalid bucket file，避免这个错误，要将这个参数设为false	true
   spark.sql.partition.rownum.collect.enable	统计生成固定分区表行数	false
   spark.sql.dynamic.partition.rownum.collect.enable	统计生成动态分区表行数	false