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%%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
B站_计算机毕业设计之家9 小时前
python股票交易数据管理系统 金融数据 分析可视化 Django框架 爬虫技术 大数据技术 Hadoop spark(源码)✅
大数据·hadoop·python·金融·spark·股票·推荐算法
想ai抽14 小时前
Spark的shuffle类型与对比
大数据·数据仓库·spark
阿里云大数据AI技术1 天前
从“开源开放”走向“高效智能”:阿里云 EMR 年度重磅发布
spark
随心............2 天前
yarn面试题
大数据·hive·spark
ZHOU_WUYI2 天前
Apache Spark 集群部署与使用指南
大数据·spark·apache
随心............2 天前
在开发过程中遇到问题如何解决,以及两个经典问题
hive·hadoop·spark
Q26433650234 天前
【有源码】基于Python与Spark的火锅店数据可视化分析系统-基于机器学习的火锅店综合竞争力评估与可视化分析-基于用户画像聚类的火锅店市场细分与可视化研究
大数据·hadoop·python·机器学习·数据分析·spark·毕业设计
潘达斯奈基~4 天前
spark性能优化1:通过依赖关系重组优化Spark性能:宽窄依赖集中处理实践
大数据·性能优化·spark
蒙特卡洛的随机游走4 天前
Spark核心数据(RDD、DataFrame 和 Dataset)
大数据·分布式·spark