通过 EMR Serverless Spark 提交 PySpark 流任务

在大数据快速发展的时代，流式处理技术对于实时数据分析至关重要。EMR Serverless Spark提供了一个强大而可扩展的平台，它不仅简化了实时数据处理流程，还免去了服务器管理的烦恼，提升了效率。本文将指导您使用EMR Serverless Spark提交PySpark流式任务，展示其在流处理方面的易用性和可运维性。

前提条件

已创建工作空间，详情请参见创建工作空间。

操作流程

步骤一：创建实时数据流集群并产生消息

1. 在EMR on ECS页面，创建包含Kafka服务的实时数据流集群，详情请参见创建集群。
2. 登录EMR集群的Master节点，详情请参见登录集群。

3. 执行以下命令，切换目录。

   cd /var/log/emr/taihao_exporter

4. 执行以下命令，创建Topic。

# 创建名为taihaometrics的Topic，分区数10，副本因子2。
kafka-topics.sh --partitions 10 --replication-factor 2 --bootstrap-server core-1-1:9092 --topic taihaometrics --create

5. 执行以下命令，发送消息。

   # 使用kafka-console-producer发送消息到taihaometrics Topic。
   tail -f metrics.log | kafka-console-producer.sh --broker-list core-1-1:9092 --topic taihaometrics

步骤二：新增网络连接

1. 进入网络连接页面。

   1. 在EMR控制台的左侧导航栏，选择EMR Serverless > Spark。
   2. 在Spark页面，单击目标工作空间名称。
   3. 在EMR Serverless Spark页面，单击左侧导航栏中的网络连接。
2. 在网络连接页面，单击新增网络连接。
3. 在新增网络连接对话框中，配置以下信息，单击确定。

参数	说明
连接名称	输入新增连接的名称。例如，connection_to_emr_kafka。
专有网络	选择与EMR集群相同的专有网络。如果当前没有可选择的专有网络，请单击创建专有网络，前往专有网络控制台创建，详情请参见创建和管理专有网络。
交换机	选择与EMR集群部署在同一专有网络下的相同交换机。如果当前可用区没有交换机，请单击虚拟交换机，前往专有网络控制台创建，详情请参见创建和管理交换机。

当状态显示为已成功时，表示新增网络连接成功。

步骤三：为EMR集群添加安全组规则

1. 获取集群节点交换机的网段。
   您可以在节点管理页面，单击节点组名称，查看关联的交换机信息，然后登录专有网络管理控制台，在交换机页面获取交换机的网段。
   

2. 添加安全组规则。

   1. 在集群管理页面，单击目标集群的集群ID。
   2. 在基础信息页面，单击集群安全组后面的链接。
   3. 在安全组规则页面，单击手动添加，填写端口范围和授权对象，然后单击保存。

参数	说明
端口范围	填写9092端口。
授权对象	填写前一步骤中获取的指定交换机的网段。重要为防止被外部的用户攻击导致安全问题，授权对象禁止填写为0.0.0.0/0。

步骤四：上传JAR包至OSS

上传kafka.zip中的所有JAR包至OSS，上传操作可以参见简单上传。

步骤五：上传资源文件

1. 在EMR Serverless Spark页面，单击左侧导航栏中的资源上传。
2. 在资源上传页面，单击上传文件。
3. 在上传文件对话框中，单击待上传文件区域选择pyspark_ss_demo.py文件。

步骤六：新建并启动流任务

1. 在EMR Serverless Spark页面，单击左侧的任务开发。
2. 单击新建。
3. 输入任务名称，新建一个Application（流任务） > PySpark类型的任务，然后单击确定。
4. 在新建的任务开发中，配置以下信息，其余参数无需配置，然后单击保存。

参数	说明
主Python资源	选择前一个步骤中在资源上传页面上传的pyspark_ss_demo.py文件。
引擎版本	Spark的版本，详情请参见引擎版本介绍。
运行参数	EMR集群core-1-1节点的内网IP地址。您可以在EMR集群的节点管理页面的Core节点组下查看。
Spark配置	Spark的配置信息。本文示例如下。spark.jars oss://<yourBucket>/kafka-lib/commons-pool2-2.11.1.jar,oss://<yourBucket>/kafka-lib/kafka-clients-2.8.1.jar,oss://<yourBucket>/kafka-lib/spark-sql-kafka-0-10_2.12-3.3.1.jar,oss://<yourBucket>/kafka-lib/spark-token-provider-kafka-0-10_2.12-3.3.1.jarspark.emr.serverless.network.service.name connection_to_emr_kafka说明spark.jars用于指定Spark任务运行时需要加载的外部JAR包路径。本文示例为您步骤四中上传至OSS的路径，请您根据实际情况替换。

5. 单击发布。
6. 在发布任务对话框中，单击确定。

7. 启动流任务。

   1. 单击前往运维。
   2. 单击启动。

步骤七：查看日志

1. 单击日志探查页签。
2. 在Driver日志列表中，单击stdOut.log。
   在打开的日志文件中，您可以看到应用程序执行的相关信息以及返回的结果。
   

相关文档

1. EMR Serverless Spark 版官网：https://www.aliyun.com/product/bigdata/serverlessspark
2. 产品控制台：https://emr-next.console.aliyun.com/
3. 产品文档：https://help.aliyun.com/zh/emr/emr-serverless-spark/
4. PySpark 批任务的开发流程示例：PySpark任务快速入门

---

EMR Serverless Spark 在 2024年5月正式开启公测，在公测期间可以免费使用最高 100 CU 计算资源，欢迎试用。 如果您在使用 EMR Serverless Spark 版的过程中遇到任何疑问，可钉钉扫描以下二维码加入钉钉群（群号：58570004119）咨询。