Запуск Spark задач на выполнение в YTsaurus

Установка пакета ytsaurus-spyt и необходимых зависимостей

Установите пакет ytsaurus-spyt и все необходимые зависимости:

$ pip install ytsaurus-spyt[all]

В этом случае помимо пакета ytsaurus-spyt также будут установлены pyspark и ytsaurus-client последней совместимой версии. При необходимости использования других версий pyspark их можно будет установить отдельно с явным указанием версии, например pip install pyspark==3.2.2.

Совместимость SPYT с различными версиями Spark приведена в этой таблице.

При запуске задач будет использован дистрибутив Spark, номер версии которого совпадает с версией пакета pyspark на машине, с которой выполняется запуск. Для загрузки Spark дистрибутива на кластер можно воспользоваться скриптом tools/release/publisher/spark-distrib.py.

Запуск задачи напрямую в YTsaurus (доступно с версии SPYT 1.76.0)

Данный способ подходит для случаев, когда нет потребности в непрерывной работе кластера. Он позволяет использовать ресурсы кластера только в случае реальной потребности в них. В сравнении с запуском приложений во внутреннем Standalone Spark кластере данный способ работает чуть дольше за счет того, что каждый раз необходимо поднимать отдельную операцию для запуска приложения, однако с другой стороны он позволяет освободить ресурсы сразу же, как только в них больше не будет необходимости.

Запуск задач напрямую в YTsaurus рекомендуется в следующих случаях:

Выполнение разовых расчетов.
Запуск задач, имеющих низкую периодичность (реже 1 раза в час).
Ad-hoc аналитика при помощи консольных утилит spark-shell, pyspark или Jupyter.

Для того чтобы воспользоваться данным способом, необходимо выполнить следующие шаги:

Активируйте конфигурацию SPYT при помощи команды source spyt-env.
Загрузите исполняемый файл и его зависимости в Кипарис. Начиная с версии 2.4.0 также можно указывать локальные файлы как для исполняемого файла, так и для зависимостей.
Запустите задачу на выполнение при помощи следующей команды.

$ spark-submit --master ytsaurus://<cluster-name> --deploy-mode cluster --num-executors 5 --queue research yt:/<path to .py file or .jar file on cypress>

При использовании локальных файлов:

$ spark-submit --master ytsaurus://<cluster-name> --deploy-mode cluster --num-executors 5 --queue research <path to .py file or .jar file on local drive>

Опции:

--master — адрес прокси кластера;
--queue — название пула в планировщике, в котором нужно запустить расчёт

Назначение остальных опций соответствует их описанию в документации spark-submit (полный список выводится по команде spark-submit --help). Можно использовать почти все доступные опции за исключением следующих:

--conf spark.dynamicAllocation.enabled — в настоящий момент поддержка динамического выделения ресурсов не реализована, поэтому эту опцию лучше не выставлять в true;
--py-files, --files, --archives — с локальными файлами не работают, можно использовать только те, которые были предварительно загружены в Кипарис.

Для использования History server в этом режиме его необходимо поднять отдельно согласно инструкции. Для получения диагностической информации также можно воспользоваться логами YTsaurus операций. Следует учесть следующее:

Доступны только логи, которые пишутся в stderr, поэтому нужно сделать соответствующие настройки логирования в запускаемом Spark приложении.
В настоящий момент драйвер и экзекьюторы запускаются в разных YTsaurus операциях, соответственно логи нужно смотреть и в той, и в другой.

Конфигурационные параметры, доступные при запуске задач напрямую, можно найти здесь

Внимание

Начиная с версии Spark 3.4.0 при использовании сети с IPv6 адресами необходимо устанавливать переменную окружения SPARK_PREFER_IPV6=true

Выполнение локальных файлов

Начиная с версии SPYT 2.4.0 при запуске задач напрямую в YTsaurus можно указывать локальные файлы в качестве исполняемых модулей и зависимостей без их предварительной загрузки на Кипарис. В этом случае локальные файлы будут предварительно загружены в файловый кеш на Кипарисе и затем будут оттуда использованы в приложении. При повторном запуске будут использоваться уже закешированные файлы. Пример команды spark-submit для данного способа приведен ниже:

spark-submit --master ytsaurus://<cluster name> \
             --deploy-mode cluster \
             --num-executors 5 \
             --executor-cores 4 \
             --py-files ~/path/to/my/dependencies.py \
             ~/path/to/my/script.py

Запуск standalone Spark кластера

Данный способ подходит при интенсивном использовании кластера. В данном режиме YTsaurus выделяет ресурсы под внутренний Standalone Spark кластер, который занимается выполнением расчетов. Для запуска в этом режиме необходимо использовать обёртки над стандартными командами Spark spark-submit-yt и spark-shell-yt, входящими в состав пакета ytsaurus-spyt. Этот режим рекомендуется использовать в следующих случаях:

Запуск задач с высокой периодичностью (более 1 раза в час). Эффективность достигается за счет того, что время запуска задачи в standalone кластере существенно меньше, чем время запуска операции в YTsaurus.
Ad-hoc аналитика в Jupyter-ноутбуках.
Ad-hoc аналитика с использованием Query tracker и livy.

Для запуска внутреннего standalone Spark кластера необходимо выполнить следующие шаги:

Выберите пользователя, от имени которого необходимо запустить кластер. Код, который регулярно запускается на Spark, нужно загрузить в систему YTsaurus. У пользователя, от имени которого запущен кластер, должны быть права на чтение кода.
Создайте директорию для служебных данных Spark, например my_discovery_path. Пользователь, от имени которого запущен кластер, должен иметь права на запись в директорию. Пользователи, которые будут запускать джобы на Spark, должны иметь права на чтение директории.
Запустите кластер:
```
$ spark-launch-yt \
--proxy <cluster-name> \
--pool  my_pool \
--discovery-path my_discovery_path \
--worker-cores 16 \
--worker-num 5 \
--worker-memory 64G
```
Опции:
- spark-launch-yt — запуск в Vanilla-операции YTsaurus с клиентского хоста;
- --proxy — имя кластера;
- --pool — вычислительный пул YTsaurus;
- --spyt-version — директория для служебных данных Spark;
- --worker-cores — количество ядер у воркера;
- --worker-num — количество воркеров;
- --worker-memory — количество памяти у каждого воркера;
- --spark-cluster-version — версия кластера (опционально).
Запустите тестовый джоб на кластере:
```
$ spark-submit-yt \
--proxy <cluster-name> \
--discovery-path my_discovery_path \
--deploy-mode cluster \
yt:///sys/spark/examples/smoke_test.py
```
Опции:
- spark-submit-yt — обертка над spark-submit, позволяет определить адрес мастера Spark из Vanilla-операции. Поиск производится по аргументам: proxy, id, discovery-path;
- --proxy — имя кластера;
- --discovery-path — директория для служебных данных Spark;
- --deploy-mode (cluster или client) — режим запуска кластера;
- --spyt-version — версия SPYT (опционально);
- адрес файла с кодом в YTsaurus.

Работа с использованием внутреннего Spark кластера

spark-launch-yt

Запуск Spark кластера внутри YTsaurus:

$ spark-launch-yt \
--proxy <cluster-name> \
--pool my_pool \
--discovery-path my_discovery_path \
--worker-cores 16 \
--worker-num 5 \
--worker-memory 64G \
--spyt-version 2.6.5

spark-discovery-yt

Получить ссылки на UI мастера, операцию, Spark History Server:
```
$ spark-discovery-yt \
--proxy <cluster-name> \
--discovery-path my_discovery_path
```

spark-submit-yt

Запуск задач на кластере:

$ spark-submit-yt \
--proxy <cluster-name> \
--discovery-path my_discovery_path \
--deploy-mode cluster \
yt:///sys/spark/examples/smoke_test.py

Примечание

Вместо некоторых аргументов команд можно установить переменные окружения, например: YT_PROXY — вместо --proxy.

$ export YT_PROXY=<cluster-name>

$ spark-submit-yt \
--discovery-path my_discovery_path \
--deploy-mode cluster \
yt:///sys/spark/examples/smoke_test.py

Использование определённой версии JDK

Начиная с версии SPYT 2.6.0 поддерживаются JDK 11 и JDK 17. Более ранние версии поддерживают только JDK 11. JDK 17 можно использовать только в случае, если версия Spark 3.3.0 и выше, Spark 3.2.x JDK 17 не поддерживает. По умолчанию на кластере будет использоваться та же версия JDK, что и на машине, с которой выполняется запуск задачи.

Дополнительные параметры

О дополнительных параметрах при запуске кластера можно узнать в разделе Запуск кластера Spark.

Обзор

Описание кластера