tencent cloud

文档反馈

PySpark 作业开发指南

最后更新时间:2024-07-31 18:03:01

    应用场景

    DLC 支持 Python 语言编写的程序运行作业 。本示例演示通过编写 Python 代码在 对象存储(COS)上读写数据和在 DLC 上建库表、读写表的详细操作,帮助用户在 DLC 上完成作业开发。

    环境准备

    依赖:PyCharm 或其他 Python 编程开发工具。

    开发流程

    开发流程图

    DLC Spark JAR 作业开发流程图如下:
    

    创建资源

    第一次在 DLC 上运行作业,需新建 Spark 作业计算资源,例如新建名称为 "dlc-demo" 的 Spark 作业资源。
    1. 登录 数据湖计算 DLC 控制台,选择服务所在区域,在导航菜单中单击数据引擎。
    2. 单击左上角创建资源,进入资源配置购买页面。
    3. 集群配置 > 计算引擎类型选项选择 Spark 作业引擎。
    
    信息配置 > 资源名称填写 “dlc-demo”。新建资源详细介绍请参见购买独享数据引擎
    
    4. 单击立即开通,确认资源配置信息。
    5. 确认信息无误后,单击提交,完成资源配置。

    上传数据到 COS

    创建名称为 “dlc-demo”的存储桶,上传people.json文件,供 从COS 读写数据示例用,people.json 文件的内容如下:
    {"name":"Michael"}
    {"name":"Andy", "age":30}
    {"name":"Justin", "age":3}
    {"name":"WangHua", "age":19}
    {"name":"ZhangSan", "age":10}
    {"name":"LiSi", "age":33}
    {"name":"ZhaoWu", "age":37}
    {"name":"MengXiao", "age":68}
    {"name":"KaiDa", "age":89}
    1. 登录 对象存储 COS 控制台,在左侧菜单导航中单击 存储桶列表。
    2. 创建存储桶:
    单击左上角 创建存储桶,名称项填写 “dlc-dmo”,单击下一步完成配置。
    3. 上传文件:
    单击文件列表 > 上传文件,选择本地“people.json”文件上传到“dlc-demo-1305424723”桶里(-1305424723是建桶时平台生成的随机串),单击上传,完成文件上传。新建存储桶详情请参见 创建存储桶
    

    新建 Python 项目

    通过 PyCharm 新建一个名称为“demo”的 项目。

    编写代码

    1. 新建 cos.py 文件,编写代码,功能为从 COS 上读写数据和在 DLC 上建库、建表、查询数据和写入数据。
    import sys
    from pyspark.sql import SparkSession
    from pyspark.sql import Row
    
    if __name__ == "__main__":
    spark = SparkSession\\
    .builder\\
    .appName("Operate data on cos")\\
    .getOrCreate()
    
    # 1.读cos上的数据 支持多种类型的文件 如 json,csv,parquet,orc,text
    read_path = "cosn://dlc-demo-1305424723/people.json"
    peopleDF = spark.read.json(read_path)
    # 2.对数据做操作
    peopleDF.createOrReplaceTempView("people")
    data_src = spark.sql("SELECT * FROM people WHERE age BETWEEN 13 AND 19")
    data_src.show()
    # 3.写数据
    write_path = "cosn://dlc-demo-1305424723/people_output"
    data_src.write.csv(path=write_path, header=True, sep=",", mode='overwrite')
    
    spark.stop()
    2. 新建 db.py 文件,编写代码,功能为 DLC 上建库、建表、查询数据和写入数据。
    from os.path import abspath
    
    from pyspark.sql import SparkSession
    
    
    
    if __name__ == "__main__":
    
    spark = SparkSession \\
    .builder \\
    .appName("Operate DB Example") \\
    .getOrCreate()
    # 1.建数据库
    spark.sql("CREATE DATABASE IF NOT EXISTS `DataLakeCatalog`.`dlc_db_test_py` COMMENT 'demo test' ")
    # 2.建内表
    spark.sql("CREATE TABLE IF NOT EXISTS `DataLakeCatalog`.`dlc_db_test_py`.`test`(`id` int,`name` string,`age` int) ")
    # 3.写内数据
    spark.sql("INSERT INTO `DataLakeCatalog`.`dlc_db_test_py`.`test` VALUES (1,'Andy',12),(2,'Justin',3) ")
    # 4.查内数据
    spark.sql("SELECT * FROM `DataLakeCatalog`.`dlc_db_test_py`.`test` ").show()
    # 5.建外表
    spark.sql("CREATE EXTERNAL TABLE IF NOT EXISTS `DataLakeCatalog`.`dlc_db_test_py`.`ext_test`(`id` int, `name` string, `age` int) ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe' STORED AS TEXTFILE LOCATION 'cosn://cry-1305424723/ext_test' ")
    # 6.写外数据
    spark.sql("INSERT INTO `DataLakeCatalog`.`dlc_db_test_py`.`ext_test` VALUES (1,'Andy',12),(2,'Justin',3) ")
    # 7.查外数据
    spark.sql("SELECT * FROM `DataLakeCatalog`.`dlc_db_test_py`.`ext_test` ").show()
    spark.stop()
    建外表时,可按照 上传数据到 COS 的步骤 先在桶里建对应表名文件夹保存表文件。
    

    调式

    PyCharm 调式无语法错误。

    上传 py 文件到 COS

    登录 COS 控制台,参考上文上传数据到 COS 的步骤将 cos.py、db.py上传到 COS。

    新建 Spark Jar 数据作业

    创建数据作业前,您需先完成数据访问策略配置,保证数据作业能安全地访问到数据。配置数据访问策略详情请参见 配置数据访问策略。如已配置数据策略名称为:qcs::cam::uin/100018379117:roleName/dlc-demo
    1. 登录 数据湖计算 DLC 控制台,选择服务所在区域,在导航菜单中单击数据作业。
    2. 单击左上角创建作业按钮,进入创建页面。
    3. 在作业配置页面,配置作业运行参数,具体说明如下:
    配置参数
    说明
    作业名称
    自定义 Spark 作业名称,例如:cosn_py
    作业类型
    选择 批处理类型
    数据引擎
    选择 创建资源 步骤创建的 dlc-demo 计算引擎
    程序包
    选择 COS,在 上传 py 文件到 COS 步骤的上传 py 文件:
    从 COS 上读写数据就选择: cosn://dlc-demo-1305424723/cos.py
    在 DLC 上建库、建表等选择:cosn://dlc-demo-1305424723/db.py
    数据访问策略
    选择该步骤前创建的策略 qcs::cam::uin/100018379117:roleName/dlc-demo
    其他参数值保持默认。
    
    4. 单击保存,在 Spark 作业页面可以看到创建的作业。

    运行并查看作业结果

    1. 运行作业:在Spark 作业页面,找到新建的作业,单击运行,即可运行作业。
    2. 查看作业运行结果:可查看作业运行日志和运行结果。

    查看作业运行日志

    1. 单击作业名称 > 历史任务 查看任务运行状态:
    
    2. 单击任务ID > 运行日志,查看作业运行日志。
    

    查看作业运行结果

    1. 运行从 COS 读写数据示例,则到 COS 控制台查看数据写入结果。
    
    2. 运行在 DLC 上建表、建库,则到 DLC 数据探索页面查看建库、建表。
    
    
    联系我们

    联系我们,为您的业务提供专属服务。

    技术支持

    如果你想寻求进一步的帮助,通过工单与我们进行联络。我们提供7x24的工单服务。

    7x24 电话支持