INTEGRITY Документация

← R2 Data Catalog / r2-data-catalog / config-examples

Spark (Scala)

Ниже приведён пример того, как можно создать Apache Spark ↗ приложение (на Scala), которое подключается к R2 Data Catalog. Это приложение предназначено для локального запуска, но его можно адаптировать для запуска в кластере.

Предварительные требования

Пример использования

Для начала создайте на своём компьютере новый пустой каталог проекта.

Внутри этой директории создайте следующий файл по пути src/main/scala/com/example/R2DataCatalogDemo.scala. Это будет основной точкой входа для вашего приложения Spark.

package com.example

import org.apache.spark.sql.SparkSession

object R2DataCatalogDemo {
    def main(args: Array[String]): Unit = {

        val uri = sys.env("CATALOG_URI")
        val warehouse = sys.env("WAREHOUSE")
        val token = sys.env("TOKEN")

        val spark = SparkSession.builder()
            .appName("My R2 Data Catalog Demo")
            .master("local[*]")
            .config("spark.sql.extensions", "org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions")
            .config("spark.sql.catalog.mydemo", "org.apache.iceberg.spark.SparkCatalog")
            .config("spark.sql.catalog.mydemo.type", "rest")
            .config("spark.sql.catalog.mydemo.uri", uri)
            .config("spark.sql.catalog.mydemo.warehouse", warehouse)
            .config("spark.sql.catalog.mydemo.token", token)
            .getOrCreate()

        import spark.implicits._

        val data = Seq(
            (1, "Alice", 25),
            (2, "Bob", 30),
            (3, "Charlie", 35),
            (4, "Diana", 40)
        ).toDF("id", "name", "age")

        spark.sql("USE mydemo")

        spark.sql("CREATE NAMESPACE IF NOT EXISTS demoNamespace")

        data.writeTo("demoNamespace.demotable").createOrReplace()

        val readResult = spark.sql("SELECT * FROM demoNamespace.demotable WHERE age > 30")
        println("Records with age > 30:")
        readResult.show()
    }
}

Для создания этого приложения и управления зависимостями мы будем использовать sbt («простой инструмент для сборки») ↗. Ниже приведен пример build.sbt файл, который нужно поместить в корень проекта. Он настроен на сборку «fat JAR», объединяющего все необходимые зависимости.

name := "R2DataCatalogDemo"

version := "1.0"

val sparkVersion = "3.5.3"
val icebergVersion = "1.8.1"

// You need to use binaries of Spark compiled with either 2.12 or 2.13; and 2.12 is more common.
// If you download Spark 3.5.3 with sdkman, then it comes with 2.12.18
scalaVersion := "2.12.18"

libraryDependencies ++= Seq(
    "org.apache.spark" %% "spark-core" % sparkVersion,
    "org.apache.spark" %% "spark-sql" % sparkVersion,
    "org.apache.iceberg" % "iceberg-core" % icebergVersion,
    "org.apache.iceberg" % "iceberg-spark-runtime-3.5_2.12" % icebergVersion,
    "org.apache.iceberg" % "iceberg-aws-bundle" % icebergVersion,
)

// build a fat JAR with all dependencies
assembly / assemblyMergeStrategy := {
    case PathList("META-INF", "services", xs @ _*) => MergeStrategy.concat
    case PathList("META-INF", xs @ _*) => MergeStrategy.discard
    case "reference.conf" => MergeStrategy.concat
    case "application.conf" => MergeStrategy.concat
    case x if x.endsWith(".properties") => MergeStrategy.first
    case x => MergeStrategy.first
}

// For Java  17 Compatibility
Compile / javacOptions ++= Seq("--release", "17")

Чтобы включить плагин sbt-assembly ↗ (используется для сборки fat JAR), добавьте следующее в новый файл по пути project/assembly.sbt:

addSbtPlugin("com.eed3si9n" % "sbt-assembly" % "1.2.0")

Убедитесь, что Java, Spark и sbt установлены и доступны в вашей оболочке. Если вы используете SDKMAN, их можно установить, как показано ниже:

sdk install java 17.0.14-amzn
sdk install spark 3.5.3
sdk install sbt 1.10.11

Когда всё установлено, можно собрать проект с помощью sbt. В результате будет создан единый JAR-файл.

sbt clean assembly

После сборки итоговый JAR файл должен находиться по пути target/scala-2.12/R2DataCatalogDemo-assembly-1.0.jar.

Для запуска приложения используется spark-submit. Ниже приведен пример shell скрипта (submit.sh) который включает необходимые флаги совместимости Java для Spark на Java 17:

# We need to set these "--add-opens" so that Spark can run on Java 17 (it needs access to
# parts of the JVM which have been modularized and made internal).
JAVA_17_COMPATIBILITY="--add-opens=java.base/sun.nio.ch=ALL-UNNAMED --add-opens=java.base/java.nio=ALL-UNNAMED --add-opens=java.base/java.lang=ALL-UNNAMED --add-opens=java.base/java.util=ALL-UNNAMED --add-opens=java.base/java.util.concurrent=ALL-UNNAMED"

spark-submit \
--conf "spark.driver.extraJavaOptions=$JAVA_17_COMPATIBILITY" \
--conf "spark.executor.extraJavaOptions=$JAVA_17_COMPATIBILITY" \
--class com.example.R2DataCatalogDemo target/scala-2.12/R2DataCatalogDemo-assembly-1.0.jar

Перед запуском убедитесь, что скрипт исполняемый:

chmod +x submit.sh

На этом этапе структура каталога вашего проекта должна выглядеть следующим образом:

Перед отправкой задания убедитесь, что у вас заданы необходимые переменные окружения для URI каталога, хранилища и API-токен Cloudflare.

export CATALOG_URI=
export WAREHOUSE=
export TOKEN=

Теперь всё готово для запуска задания:

./submit.sh