[英]Submit command line arguments to a pyspark job on airflow
我在 GCP Dataproc 上有一个 pyspark 作业,将在 airflow 上触发,如下所示:
config = help.loadJSON("batch/config_file")
MY_PYSPARK_JOB = {
"reference": {"project_id": "my_project_id"},
"placement": {"cluster_name": "my_cluster_name"},
"pyspark_job": {
"main_python_file_uri": "gs://file/loc/my_spark_file.py"]
"properties": config["spark_properties"]
"args": <TO_BE_ADDED>
},
}
我需要为这个 pyspark 作业提供命令行 arguments,如下所示 [这就是我从命令行运行 pyspark 作业的方式]:
spark-submit gs://file/loc/my_spark_file.py --arg1 val1 --arg2 val2
我正在使用“configparser”向我的 pyspark 作业提供 arguments。 因此,arg1 是键,val1 是我上面的 spark-submit 命令中的值。
如何在上面定义的“MY_PYSPARK_JOB”中定义“args”参数[相当于我的命令行参数]?
我终于设法解决了这个难题。 如果我们正在使用 ConfigParser,则必须按如下方式指定密钥 [无论参数是作为命令还是在气流中传递]:
--arg1
在 airflow 中,配置作为 Sequence[str] 传递(如下面的@Betjens 所述),每个参数定义如下:
arg1=val1
因此,根据我的要求,命令行 arguments 定义如下:
"args": ["--arg1=val1",
"--arg2=val2"]
PS:感谢@Betjens 的所有建议。
你必须传递一个Sequence[str]
。 如果您检查DataprocSubmitJobOperator ,您将看到 params job
实现了 class google.cloud.dataproc_v1.types.Job 。
class DataprocSubmitJobOperator(BaseOperator):
...
:param job: Required. The job resource. If a dict is provided, it must be of the same form as the protobuf message.
:class:`~google.cloud.dataproc_v1.types.Job`
因此,在有关工作类型pySpark
的部分,即google.cloud.dataproc_v1.types.PySparkJob :
args Sequence[str] 可选。 arguments 传递给司机。 不要包括 arguments,例如
--conf
,可以设置为作业属性,因为可能会发生冲突,导致作业提交不正确。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.