Статьи

Изучение Spline Data Tracker и инструмента визуализации для Apache Spark (часть 2)

Ноябрь 28, 2018

В первой части мы узнали, как проверить сбор информации о происхождении данных с помощью
Сплайн от оболочки искры . То же самое можно сделать в любом приложении Scala или Java Spark. Те же зависимости для оболочки Spark должны быть зарегистрированы в выбранном вами инструменте сборки (Maven, Gradle или sbt):

1
2
3
4
5
6
7
8
9
groupId: za.co.absa.spline
artifactId: spline-core
version: 0.3.5
groupId: za.co.absa.spline
artifactId: spline-persistence-mongo
version:0.3.5
groupId: za.co.absa.spline
artifactId:spline-core-spark-adapter-2.3
version:0.3.5

Со ссылкой на Scala и Spark 2.3.x, работа Spark выглядит так:

01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
// Create the Spark session
val sparkSession = SparkSession
.builder()
.appName("Spline Tester")
.getOrCreate()
 
// Init Spline
System.setProperty("spline.persistence.factory", "za.co.absa.spline.persistence.mongo.MongoPersistenceFactory")
System.setProperty("spline.mongodb.url", args(0))
System.setProperty("spline.mongodb.name", args(1))
import za.co.absa.spline.core.SparkLineageInitializer._
sparkSession.enableLineageTracking()
 
//Do something with DataFrames
import sparkSession.sqlContext.implicits._
val df1 = sparkSession.sparkContext.parallelize(1 to 10000, 42).toDF("FirstValue")
val df2 = sparkSession.sparkContext.parallelize(1.to(100000, 17), 42).toDF("SecondValue")
 
val output = df1.crossJoin(df2).where('FirstValue % 42 === 'SecondValue % 42)
 
// Write results to file system
output.write.format("parquet").save("splinetester.parquet")
 
// Stop the Spark Session
sparkSession.stop()

можно отправить в кластер Spark следующим образом:

1
$SPARK_HOME/bin/spark-submit --class org.googlielmo.splinetest.SplineExample --master <url> --packages "za.co.absa.spline:spline-core:0.3.5,za.co.absa.spline:spline-persistence-mongo:0.3.5,za.co.absa.spline:spline-core-spark-adapter-2.3:0.3.5" splinetest-1.0.jar mongodb://<username>:<password>@<hostname>:<port> <dbname>

Свойства конфигурации Spline также можно сохранить в файле свойств в пути к классам приложения. Вот полный список доступных свойств Spline:

  • spline.mode : 3 возможных значения, BEST_EFFORT (по умолчанию), DISABLED , REQUIRED . Если BEST_EFFORT, Spline пытается инициализировать себя, но в случае неудачи переключается в режим DISABLED, чтобы приложение Spark могло нормально работать без отслеживания происхождения. Если ОТКЛЮЧЕНО, никакого отслеживания происхождения вообще не происходит. Если ТРЕБУЕТСЯ, должен ли Spline по какой-либо причине не выполнить инициализацию самостоятельно, приложение Spark прерывает работу с ошибкой.
  • spline.persistence.factory : может быть za.co.absa.spline.persistence.mongo.MongoPersistenceFactory (для сохранения в MongoDB) или za.co.absa.spline.persistence.hdfs.HdfsPersistenceFactory (для сохранения в HDFS).
  • spline.mongodb.url : строка подключения MongoDB (только для постоянства MongoDB).
  • spline.mongodb.name : имя базы данных MongoDB (только для постоянства MongoDB).
  • spline.persistence.composition.factories : список фабрик, разделенных запятыми, для делегирования (только в случае Composition Factories).

При первом включении Spline из задания Spark он создает 6 коллекций в целевой базе данных MongoDB:

    • attribute_v4 : информация об атрибутах задействованных наборов данных Spark.
    • dataTypes_v4 : информация о типах данных для каждого происхождения данных.
    • набор данных_v4 : информация о наборах данных .
    • lineages_v4 : графики линий данных для наборов данных Spark.
    • operations_v4 : операции над наборами данных по всем линиям.
    • transfors_v4 : преобразования DataSets в разных линиях.

Документы в этих 6 коллекциях используются веб-приложением Spline для создания визуального представления линий в пользовательском интерфейсе.

В третьей и последней части этой серии я собираюсь поделиться результатами после первых недель принятия этого проекта в предсерийной среде Spark.

См. Оригинальную статью здесь: Изучение Spline Data Tracker и инструмента визуализации для Apache Spark (часть 2)

Мнения, высказанные участниками Java Code Geeks, являются их собственными.

38
Share: