将 Spark 作业从 Airflow 提交到外部 Spark 容器

我有一个用 docker swarm 构建的 Spark 和气流集群。正如我所期望的，气流容器不能包含火花提交。

我正在使用 github 中存在的以下图像

Spark：大数据欧洲/docker-hadoop-spark-workbench

气流：puckel/docker-airflow (CeleryExecutor)

我准备了一个 .py 文件并将其添加到 dags 文件夹下。

from airflow import DAG

from airflow.contrib.operators.spark_submit_operator import SparkSubmitOperator
from datetime import datetime, timedelta


args = {'owner': 'airflow', 'start_date': datetime(2018, 9, 24) }

dag = DAG('spark_example_new', default_args=args, schedule_interval="@once")

operator = SparkSubmitOperator(task_id='spark_submit_job', conn_id='spark_default', java_class='Main', application='/SimpleSpark.jar', name='airflow-spark-example',conf={'master':'spark://master:7077'},
        dag=dag)

我还在网站中配置连接如下：

Master是 Spark Master 容器的主机名。

但它没有找到spark-submit，它会产生以下错误：

[2018-09-24 08:48:14,063] {{logging_mixin.py:95}} INFO - [2018-09-24 08:48:14,062] {{spark_submit_hook.py:283}} INFO - Spark-Submit cmd: ['spark-submit', '--master', 'spark://master:7077', '--conf', 'master=spark://master:7077', '--name', 'airflow-spark-example', '--class', 'Main', '--queue', 'root.default', '/SimpleSpark.jar']

[2018-09-24 08:48:14,067] {{models.py:1736}} ERROR - [Errno 2] No such file or directory: 'spark-submit': 'spark-submit'
Traceback (most recent call last):
  File "/usr/local/lib/python3.6/site-packages/airflow/models.py", line 1633, in _run_raw_task
    result = task_copy.execute(context=context)
  File "/usr/local/lib/python3.6/site-packages/airflow/contrib/operators/spark_submit_operator.py", line 168, in execute
    self._hook.submit(self._application)
  File "/usr/local/lib/python3.6/site-packages/airflow/contrib/hooks/spark_submit_hook.py", line 330, in submit
    **kwargs)
  File "/usr/local/lib/python3.6/subprocess.py", line 709, in __init__
    restore_signals, start_new_session)
  File "/usr/local/lib/python3.6/subprocess.py", line 1344, in _execute_child
    raise child_exception_type(errno_num, err_msg, err_filename)
FileNotFoundError: [Errno 2] No such file or directory: 'spark-submit': 'spark-submit'

据我所知puckel/docker-airflow uses 蟒蛇苗条 image(https://hub.docker.com/_/python/ https://hub.docker.com/_/python/）。该镜像不包含公共包，仅包含运行 python 所需的最小包。因此，您需要扩展映像并安装spark-submit在你的容器上。

Edit：Airflow 确实需要容器中的 Spark 二进制文件才能运行SparkSubmitOperator据记录here https://airflow.apache.org/code.html?highlight=sparksubmitoperator#airflow.contrib.operators.spark_jdbc_operator.SparkJDBCOperator.

您可以使用的另一种方法是使用SSHOperator to run spark-submit通过 SSH 连接到远程计算机来在外部 VM 上执行命令。但这里 SSH 也应该可用，而 Puckel Airflow 中不可用。