如何使用Google DataProc Java Client在相关的GS存储桶中使用jar文件和类提交spark作业？

Question

我需要触发Spark Jobs以使用API​​调用从JSON文件聚合数据.我使用spring-boot来创建资源.因此,解决方案的步骤如下:

1. 用户使用json文件作为输入发出POST请求
2. JSON文件存储在与数据中心群集关联的Google存储桶中.
3. 在REST方法中使用指定的jar,类和参数触发聚合spark作业是json文件链接.

我希望使用Dataproc的Java Client而不是控制台或命令行来触发作业.你怎么做呢？

Answer 1

我们希望很快就会在官方文档中提供更全面的指南,但要开始使用,请访问以下API概述:https://developers.google.com/api-client-library/java/apis/dataproc/v1

它包括Dataproc javadocs的链接; 如果您的服务器代表您自己的项目而不是代表您的最终用户的Google项目进行调用,那么您可能希望此处解释的基于密钥文件的服务帐户身份验证创建Credential用于初始化Dataproc客户端存根的对象.

至于dataproc特定的部分,这只是意味着如果使用Maven,则将以下依赖项添加到Maven pomfile:

<project>
  <dependencies>
    <dependency>
      <groupId>com.google.apis</groupId>
      <artifactId>google-api-services-dataproc</artifactId>
      <version>v1-rev4-1.21.0</version>
    </dependency>
  </dependencies>
</project>

然后你会得到如下代码:

Dataproc dataproc = new Dataproc.Builder(new NetHttpTransport(), new JacksonFactory(), credential)
    .setApplicationName("my-webabb/1.0")
    .build();
dataproc.projects().regions().jobs().submit(
    projectId, "global", new SubmitJobRequest()
        .setJob(new Job()
            .setPlacement(new JobPlacement()
                .setClusterName("my-spark-cluster"))
            .setSparkJob(new SparkJob()
                .setMainClass("FooSparkJobMain")
                .setJarFileUris(ImmutableList.of("gs://bucket/path/to/your/spark-job.jar"))
                .setArgs(ImmutableList.of(
                    "arg1", "arg2", "arg3")))))
    .execute();

由于不同的中间服务器可能会进行低级重试,或者您的请求可能会抛出IOException而您不知道作业提交是否成功,您可能想要采取的一个额外步骤是生成您自己的jobId; 那么你知道什么jobId要进行轮询以确定它是否已经提交,即使你的请求超时或抛出一些未知的异常:

import java.util.UUID;

...

Dataproc dataproc = new Dataproc.Builder(new NetHttpTransport(), new JacksonFactory(), credential)
    .setApplicationName("my-webabb/1.0")
    .build();

String curJobId = "json-agg-job-" + UUID.randomUUID().toString();
Job jobSnapshot = null;
try {
  jobSnapshot = dataproc.projects().regions().jobs().submit(
      projectId, "global", new SubmitJobRequest()
          .setJob(new Job()
              .setReference(new JobReference()
                   .setJobId(curJobId))
              .setPlacement(new JobPlacement()
                  .setClusterName("my-spark-cluster"))
              .setSparkJob(new SparkJob()
                  .setMainClass("FooSparkJobMain")
                  .setJarFileUris(ImmutableList.of("gs://bucket/path/to/your/spark-job.jar"))
                  .setArgs(ImmutableList.of(
                      "arg1", "arg2", "arg3")))))
      .execute();
} catch (IOException ioe) {
  try {
    jobSnapshot = dataproc.projects().regions().jobs().get(
        projectId, "global", curJobId).execute();
    logger.info(ioe, "Despite exception, job was verified submitted");
  } catch (IOException ioe2) {
    // Handle differently; if it's a GoogleJsonResponseException you can inspect the error
    // code, and if it's a 404, then it means the job didn't get submitted; you can add retry
    // logic in that case.
  }
}

// We can poll on dataproc.projects().regions().jobs().get(...) until the job reports being
// completed or failed now.