如何在Airflow中运行Spark代码？

Question

地球人你好！我正在使用Airflow计划和运行Spark任务。我这次发现的所有内容都是Airflow可以管理的python DAG。
DAG示例：

spark_count_lines.py
import logging

from airflow import DAG
from airflow.operators import PythonOperator

from datetime import datetime

args = {
  'owner': 'airflow'
  , 'start_date': datetime(2016, 4, 17)
  , 'provide_context': True
}

dag = DAG(
  'spark_count_lines'
  , start_date = datetime(2016, 4, 17)
  , schedule_interval = '@hourly'
  , default_args = args
)

def run_spark(**kwargs):
  import pyspark
  sc = pyspark.SparkContext()
  df = sc.textFile('file:///opt/spark/current/examples/src/main/resources/people.txt')
  logging.info('Number of lines in people.txt = {0}'.format(df.count()))
  sc.stop()

t_main = PythonOperator(
  task_id = 'call_spark'
  , dag = dag
  , python_callable = run_spark
)

问题是我的Python代码不好，并且有一些用Java编写的任务。我的问题是如何在python DAG中运行Spark Java
jar？或者，也许还有其他方法吗？我发现了spark提交：http : //spark.apache.org/docs/latest/submitting-
applications.html
但我不知道如何将所有内容连接在一起。也许有人以前使用过它并有可行的例子。感谢您的时间！

Answer 1

您应该可以使用BashOperator。保持其余代码不变，导入所需的类和系统软件包：

from airflow.operators.bash_operator import BashOperator

import os
import sys

设置所需的路径：

os.environ['SPARK_HOME'] = '/path/to/spark/root'
sys.path.append(os.path.join(os.environ['SPARK_HOME'], 'bin'))

并添加运算符：

spark_task = BashOperator(
    task_id='spark_java',
    bash_command='spark-submit --class {{ params.class }} {{ params.jar }}',
    params={'class': 'MainClassName', 'jar': '/path/to/your.jar'},
    dag=dag
)

您可以使用Jinja模板轻松扩展它以提供其他参数。

您当然可以通过替换bash_command适合您情况的模板来针对非火花场景进行调整，例如：

bash_command = 'java -jar {{ params.jar }}'

和调整params。