Конфигурации

Список всех поддерживаемых опций Spark содержится в документации.

Основные опции

Большинство опций доступны начиная с версии 1.23.0, если не указано иное.

Имя	Значение по умолчанию	Описание
`spark.yt.write.batchSize`	`500000`	Размер данных, отправляемых через одну операцию `WriteTable`
`spark.yt.write.miniBatchSize`	`1000`	Размер блока данных, отправляемого в `WriteTable`
`spark.yt.write.timeout`	`60 seconds`	Ограничение на ожидание записи одного блока данных
`spark.yt.write.typeV3.enabled` (`spark.yt.write.writingTypeV3.enabled` до 1.75.2)	`true`	Запись таблиц со схемой в формате type_v3 вместо `type_v1`
`spark.yt.read.vectorized.capacity`	`1000`	Максимальное количество строк в батче при чтении через `wire` протокол
`spark.yt.read.arrow.enabled`	`true`	Использовать `arrow` формат для чтения данных (если это возможно)
`spark.hadoop.yt.timeout`	`300 seconds`	Таймаут на чтение из YTsaurus
`spark.yt.read.typeV3.enabled` (`spark.yt.read.parsingTypeV3.enabled` до 1.75.2)	`true`	Чтение таблиц со схемой в формате type_v3 вместо `type_v1`
`spark.yt.read.keyColumnsFilterPushdown.enabled`	`true`	Использовать фильтры Spark-запроса для выборочного чтения из YTsaurus
`spark.yt.read.keyColumnsFilterPushdown.union.enabled`	`false`	Объединять все фильтры в непрерывный диапазон при выборочном чтении
`spark.yt.read.keyColumnsFilterPushdown.ytPathCount.limit`	`100`	Максимальное количество диапазонов таблицы при выборочном чтении
`spark.yt.transaction.timeout`	`5 minutes`	Таймаут на транзакцию записывающей операции
`spark.yt.transaction.pingInterval`	`30 seconds`	Периодичность пингования транзакции записывающей операции
`spark.yt.globalTransaction.enabled`	`false`	Использовать глобальную транзакцию
`spark.yt.globalTransaction.id`	`None`	Идентификатор глобальной транзакции
`spark.yt.globalTransaction.timeout`	`5 minutes`	Таймаут глобальной транзакции
`spark.hadoop.yt.user`	-	Имя пользователя YTsaurus
`spark.hadoop.yt.token`	-	Токен пользователя YTsaurus
`spark.yt.read.ytPartitioning.enabled`	`true`	Использовать партиционирование таблиц средствами YTsaurus
`spark.yt.read.planOptimization.enabled`	`false`	Оптимизировать агрегации и джойны на сортированных входных данных
`spark.yt.read.keyPartitioningSortedTables.enabled`	`true`	Использовать партиционирование по ключам для сортированных таблиц, необходимо для оптимизации планов
`spark.yt.read.keyPartitioningSortedTables.unionLimit`	`1`	Максимальное количество объединений партиций при переходе от чтения по индексам к чтению по ключам

Оптимизация агрегаций и джойнов

Spark кластер при чтении игнорирует метаинформацию о сортированности таблиц YTsaurus, создавая планы с множеством Shuffle и Sort стадий. Для более эффективной работы были внедрены дополнительные правила оптимизации агрегаций и джойнов поверх сортированных данных. На этапе построения логического плана к вершинам чтения добавляются пометки о сортированности. Позже при создании физического плана эти пометки превращаются в физические вершины, которые не производят действий над данными, но уведомляют планировщик о способе сортировки и партиционирования данных.

Партиционирование статических таблиц производится по индексам строк, однако опция spark.yt.read.keyPartitioningSortedTables.enabled включает партиционирование и чтение по ключам. При таком переходе возможно уменьшение количества партиций, если ключи оказываются достаточно большими. Это может повлечь увеличение количества данных, которые приходятся на один экзекьютор.

Дополнительные опции конфигурации кластера

Дополнительные опции передаются через --params:

spark-launch-yt \
  --proxy <cluster-name> \
  --discovery-path my_discovery_path \
  --params '{"spark_conf"={"spark.yt.jarCaching"="True";};"layer_paths"=["//.../ubuntu_xenial_app_lastest.tar.gz";...;];"operation_spec"={"max_failed_job_count"=100;};}' \
  --spyt-version '2.2.0'

Spark configuration

При использовании spark-launch-yt для настройки кластера доступна опция --params '{"spark_conf"={...};}:

spark-launch-yt \
  --proxy <cluster-name> \
  --discovery-path my_discovery_path \
  --params '{"spark_conf"={"spark.sql.shuffle.partitions":1,"spark.cores.max":1,"spark.executor.cores"=1};}' \
  --spyt-version '2.2.0'

При использовании spark-submit-yt для настройки задачи существует опция spark_conf_args:

spark-submit-yt \
  --proxy <cluster-name> \
  --discovery-path my_discovery_path \
  --deploy-mode cluster \
  --conf spark.sql.shuffle.partitions=1 \
  --conf spark.cores.max=1 \
  --conf spark.executor.cores=1 \
  yt:///sys/spark/examples/grouping_example.py

spark-submit-yt \
  --proxy <cluster-name> \
  --discovery-path my_discovery_path \
  --deploy-mode cluster \
  --spark_conf_args '{"spark.sql.shuffle.partitions":1,"spark.cores.max":1,"spark.executor.cores"=1}' \
  yt:///sys/spark/examples/grouping_example.py

При запуске из кода можно производить настройку через spark_session.conf.set("...", "...").

Пример на Python:

from spyt import spark_session

print("Hello world")
with spark_session() as spark:
    spark.conf.set("spark.yt.read.parsingTypeV3.enabled", "true")
    spark.read.yt("//sys/spark/examples/test_data").show()

Пример на Java:

protected void doRun(String[] args, SparkSession spark, CompoundClient yt) {
    spark.conf.set("spark.sql.adaptive.enabled", "false");
    spark.read().format("yt").load("/sys/spark/examples/test_data").show();
}

Настройки операций

При использовании spark-launch-yt для настройки кластера доступна опция --params '{"operation_spec"={...};}. Список всех поддерживаемых опций.
Это будет полезно, если необходимо изменить стандартные настройки операции например для увеличения количество failed джобов, после которого операция считается failed.

spark-launch-yt \
  --proxy <cluster-name> \
  --discovery-path my_discovery_path \
  --params '{"operation_spec"={"max_failed_job_count"=100;owners=[...]};}' \
  --spyt-version '2.2.0'

Обновление версии python

Существуют два способа обновления версии python:

Установить необходимую версию python:
1. Установить необходимую версию python на exeс nodes
2. Добавит версию python //home/spark/conf/global и путь к новому интерпретатору.
3. После этого в spark-submit-yt будет возможность использовать его. Параметр --python-version
Собрать свой образ с необходимой версией python

Установка дополнительных пакетов

Необходимо собрать образ с установленными пакетами и использовать его в качестве базового образа для запуска задачи.

Сборка образа с установленными пакетами

Сборка образа

Пример Dockerfile для сборки образа python3.12 с установленными пакетами:

# Dockerfile
FROM mirror.gcr.io/ubuntu:focal

USER root

RUN apt-get update && apt-get install -y software-properties-common
RUN add-apt-repository ppa:deadsnakes/ppa

RUN apt-get update && DEBIAN_FRONTEND=noninteractive TZ=Etc/UTC apt-get install -y \
  containerd \
  curl \
  less \
  gdb \
  lsof \
  strace \
  telnet \
  tini \
  zstd \
  unzip \
  dnsutils \
  iputils-ping \
  lsb-release \
  openjdk-11-jdk \
  libidn11-dev \
  python3.12 \
  python3-pip \
  python3.12-dev \
  python3.12-distutils

RUN ln -s /usr/lib/jvm/java-11-openjdk-amd64 /opt/jdk11

RUN update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.12 1 \
    && update-alternatives --install /usr/bin/python python /usr/bin/python3.12 1

COPY ./requirements.txt /requirements.txt

# Ensure pip is installed correctly
RUN curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py \
    && python3.12 get-pip.py \
    && python3.12 -m pip install --upgrade pip setuptools wheel \
    && rm get-pip.py


RUN python3.12 -m pip install -r requirements.txt

# requirements.txt
ytsaurus-client==0.13.18
ytsaurus-spyt==2.3.0
pyspark==3.3.4

Запуск кластера с docker образом

spark-launch-yt \
--params '{operation_spec={tasks={history={docker_image="MY_DOCKER_IMAGE"};master={docker_image="MY_DOCKER_IMAGE"};workers={docker_image="MY_DOCKER_IMAGE"}}}}'