Sparglim✨: 让PySpark on K8S和Spark Connect Server更简单

简介

发现市面上基本没有对 PySpark 进行配置的工具,同时 Spark 3.4.0 引入了 server-client 模式,也没有比较好的解决方案,我这里开源了一个简单的模块,支持以下功能:

  • 通过环境变量配置 Spark ,参见 config spark
  • 在 IPython/Jupyter 中执行 Spark SQL 的 %SQL 和 %%SQL magic
    • SQL 语句可分多行编写,支持使用 ; 分隔语句
    • 支持配置连接客户端
  • sparglim-server用于创建daemon Spark Connect Server ,并支持 on K8S 部署

快速开始

Run Jupyterlab with sparglim docker image:

bash 复制代码
docker run \
-it \
-p 8888:8888 \
wh1isper/jupyterlab-sparglim

访问 http://localhost:8888 来使用jupyterlab,然后可以试试SQL功能SQL Magic.

Run and Daemon a Spark Connect Server:

bash 复制代码
docker run \
-it \
-p 15002:15002 \
-p 4040:4040 \
wh1isper/sparglim-server

访问 http://localhost:4040 查看Spark-UI并通过sc://localhost:15002连接Spark Connect Server. Use sparglim to setup SparkSession to connect to Spark Connect Server.

用户案例

直接使用:Basic

直接通过代码快速配置SparkSession

sql 复制代码
from sparglim.config.builder import ConfigBuilder
from datetime import datetime, date
from pyspark.sql import Row

# Create a local[*] spark session with s3&kerberos config
spark = ConfigBuilder().get_or_create()

df = spark.createDataFrame([
    Row(a=1, b=2., c='string1', d=date(2000, 1, 1), e=datetime(2000, 1, 1, 12, 0)),
    Row(a=2, b=3., c='string2', d=date(2000, 2, 1), e=datetime(2000, 1, 2, 12, 0)),
    Row(a=4, b=5., c='string3', d=date(2000, 3, 1), e=datetime(2000, 1, 3, 12, 0))
])
df.show()

构建一个PySpark应用: Building a PySpark App

配置PySpark on K8S以支持使用JupyterLab的数据探索任务:examples/jupyter-sparglim-on-k8s

配置PySpark以开发ELT服务:pyspark-sampling

部署Spark Connect Server:Deploy Spark Connect Server on K8S (And Connect to it)

部署Spark on K8S模式下的Spark Connect Server:examples/sparglim-server

部署Spark on K8S模式下的Spark Connect Server,并通过JupyterLab连接它:examples/jupyter-sparglim-sc

连接已有的Spark Connect ServerConnect to Spark Connect Server

只需要配置环境变量 SPARGLIM_REMOTE, 格式为sc://host:port

Example Code:

python 复制代码
import os
os.environ["SPARGLIM_REMOTE"] = "sc://localhost:15002" # or export SPARGLIM_REMOTE=sc://localhost:15002 before run python

from sparglim.config.builder import ConfigBuilder
from datetime import datetime, date
from pyspark.sql import Row


c = ConfigBuilder().config_connect_client()
spark = c.get_or_create()

df = spark.createDataFrame([
    Row(a=1, b=2., c='string1', d=date(2000, 1, 1), e=datetime(2000, 1, 1, 12, 0)),
    Row(a=2, b=3., c='string2', d=date(2000, 2, 1), e=datetime(2000, 1, 2, 12, 0)),
    Row(a=4, b=5., c='string3', d=date(2000, 3, 1), e=datetime(2000, 1, 3, 12, 0))
])
df.show()

SQL Magic

Install Sparglim with

bash 复制代码
pip install sparglim["magic"]

Load magic in IPython/Jupyter

ipython 复制代码
%load_ext sparglim.sql
spark # show SparkSession brief info

Create a view:

python 复制代码
from datetime import datetime, date
from pyspark.sql import Row

df = spark.createDataFrame([
            Row(a=1, b=2., c='string1', d=date(2000, 1, 1), e=datetime(2000, 1, 1, 12, 0)),
            Row(a=2, b=3., c='string2', d=date(2000, 2, 1), e=datetime(2000, 1, 2, 12, 0)),
            Row(a=4, b=5., c='string3', d=date(2000, 3, 1), e=datetime(2000, 1, 3, 12, 0))
        ])
df.createOrReplaceTempView("tb")

Query the view by %SQL:

sql 复制代码
%sql SELECT * FROM tb

%SQL result dataframe can be assigned to a variable:

python 复制代码
df = %sql SELECT * FROM tb
df

or %%SQL can be used to execute multiple statements:

sql 复制代码
%%sql SELECT
        *
        FROM
        tb;

You can also using Spark SQL to load data from external data source, such as:

sql 复制代码
%%sql CREATE TABLE tb_people
USING json
OPTIONS (path "/path/to/file.json");
Show tables;
相关推荐
计算机毕业编程指导师10 小时前
计算机毕设选题推荐:基于Hadoop与Spark的Steam游戏数据分析系统源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习 深度学习
大数据·hadoop·python·计算机·spark·毕业设计·steam游戏
计算机毕业编程指导师10 小时前
【计算机毕设选题推荐】基于Hadoop+Spark的白鹿抖音评论大数据分析与可视化系统源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习 深度学习
大数据·hadoop·python·计算机·spark·毕业设计·抖音评论
计算机毕业编程指导师15 小时前
【大数据毕设选题推荐】基于Spark的WTA职业网球赛事演变与竞技格局分析系统源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习 深度学习
大数据·python·计算机·spark·毕业设计·课程设计·wta网球
计算机毕业编程指导师18 小时前
【计算机毕设选题推荐】基于Spark与Hadoop的AI就业收入区域差异分析系统 源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习 深度学习
大数据·python·数据分析·spark·毕业设计·课程设计·ai就业收入
计算机毕业编程指导师1 天前
【大数据毕设选题】基于Spark的电信网络诈骗话术语义特征挖掘分析系统源码 毕业设计 选题推荐 数据分析 机器学习 深度学习
大数据·hadoop·python·spark·毕业设计·课程设计·网络诈骗
计算机毕业编程指导师1 天前
计算机大数据毕设怎么选?基于Spark的个体肥胖健康风险评估的数据分析与可视化系统带你通关 源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习
大数据·hadoop·python·计算机·spark·毕业设计·肥胖风险
IT研究室1 天前
最新大数据毕业设计选题推荐-基于大数据的单位招聘岗位信息分析与可视化-大数据-Spark-Hadoop-Bigdata
大数据·spark·课程设计
计算机毕业编程指导师1 天前
计算机毕设答辩技巧:基于Hadoop+Django的公共交通运营数据分析与可视化系统怎么做 源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习
大数据·hadoop·python·spark·毕业设计·课程设计·交通运行
计算机毕业编程指导师1 天前
【计算机毕设选题推荐】基于Hadoop+Django高频电力消耗大数据分析系统从0到1 源码 毕业设计 选题推荐 毕设选题 数据分析 机器学习
hadoop·python·数据分析·spark·毕业设计·课程设计·电力
FYKJ_20101 天前
springboot手工蜀绣在线销售系统60947-计算机课程设计、毕业设计
java·spring boot·后端·python·mysql·spark·课程设计