我正在运行一个 EMR Spark 集群(使用 YARN),并且我正在直接从 EMR 主服务器运行 Luigi 任务。我有一个依赖于 S3 中数据的作业链,经过几次 SparkSubmitTasks 后,最终会出现在 Redshift 中。
import luigi
import luigi.format
from luigi.contrib.spark import SparkSubmitTask
from luigi.contrib.redshift import RedshiftTarget
class SomeSparkTask(SparkSubmitTask):
# Stored in /etc/luigi/client.cfg
host = luigi.Parameter(default='host')
database = luigi.Parameter(default='database')
user = luigi.Parameter(default='user')
password = luigi.Parameter(default='password')
table = luigi.Parameter(default='table')
<add-more-params-here>
app = '<app-jar>.jar'
entry_class = '<path-to-class>'
def app_options(self):
return <list-of-options>
def output(self):
return RedshiftTarget(host=self.host, database=self.database, user=self.user, password=self.password,
table=self.table, update_id=<some-unique-identifier>)
def requires(self):
return AnotherSparkSubmitTask(<params>)
我遇到了两个主要问题:
1) 有时 luigi 无法确定 SparkSubmitTask 何时完成 - 例如,我会看到 luigi 提交了一个作业,然后检查 YARN,它会说应用程序正在运行,但一旦完成,luigi 就会挂起并且无法确定工作是否完成。
2) 如果由于某种原因 SparkSubmitTasks 能够运行并且我放置在上面的任务完成了 Spark 作业,则输出任务永远不会运行,并且标记表永远不会创建或填充。但是,实际表是在运行的 Spark 作业中创建的。我是否误解了我应该如何调用 RedshiftTarget?
与此同时,我正在尝试熟悉源代码。
谢谢!