Работа с пользовательским образом

В этой лабораторной работе вы обработаете данные с помощью пользовательского образа Spark.

Постановка задачи

  1. Построить витрину данных, объединяющую информацию о заказах из двух таблиц.

  2. Найти среднюю стоимость заказа.

  3. Подсчитать расхождение суммы каждого заказа со средней стоимостью заказа.

Чтобы выполнить задачу, необходимо подготовить пользовательский образ и Python-скрипт. Пользовательский образ включает библиотеки для работы с S3 и библиотеку NumPy. Cкрипт выполняет действия с данными.

Перед началом работы

  1. Зарегистрируйтесь в личном кабинете Cloud.ru.

    Если вы уже зарегистрированы, войдите под своей учетной записью.

  2. Создайте публичный SNAT-шлюз, чтобы обеспечить инстансу доступ в интернет и связь с внешними источниками.

  3. Создайте секрет в сервисе Secret Manager для доступа к Spark UI.

  4. Создайте бакет Object Storage, в котором будут храниться логи, таблицы и скрипт.

  5. Создайте сервисный аккаунт с ролями:

    • ar.registry.viewer — если планируете добавить пользовательский образ Spark.

    • s3e.viewer и s3e.editor — если планируете использовать Evolution Object Storage.

  6. Создайте реестр Artifact Registry, в котором будет храниться пользовательский образ Spark.

Создайте инстанс Spark

  1. Перейдите в раздел Evolution и выберите сервис Managed Spark.

  2. Нажмите Создать инстанс.

  3. В блоке Общие параметры укажите название инстанса, например spark-image.

  4. В блоке Конфигурация оставьте значения по умолчанию.

  5. В блоке Настройки:

    • Место хранения — выберите Object Storage.

    • Бакет — выберите ранее созданный бакет S3.

  6. В поле Группа логов выберите группу логов.

  7. Нажмите Продолжить.

  8. В блоке Сетевые настройки:

    • Подсеть — выберите подсеть для инстанса Spark.

    • Группа безопасности — выберите группу безопасности по умолчанию.

  9. В блоке Настройки доступа:

    • Подключить публичный хост — активируйте переключатель.

    • Логин — задайте логин для доступа к Spark.

    • Пароль — выберите секрет для доступа к Spark.

  10. Нажмите Создать.

Создание инстанса занимает около 15 минут. Пока создается инстанс, выполните шаги по подготовке структуры бакета Object Storage, данных и скрипта.

Подготовьте файл CSV

  1. Скачайте CSV-таблицы client-spark-image.csv и sales-spark-image.csv. Нажмите Скачать в правом верхнем углу.

  2. В файловом менеджере Object Storage создайте папку input и загрузите CSV-таблицы.

Подготовьте скрипт

  1. Скопируйте скрипт и назовите файл script-spark-image.py.

  2. В девятой строке скрипта замените your-bucket-name на название бакета Object Storage.

  3. В файловом менеджере Object Storage создайте папку jobs и загрузите скрипт.

В результате должна получиться следующая структура:

  • <bucket>

    • input

      • sales-spark-image.csv

      • client-spark-image.csv

    • jobs

      • script-spark-image.py

Подготовьте образ в Artifact Registry

  1. Создайте образ в формате Docker.

    FROM apache/spark:3.5.0-scala2.12-java11-python3-ubuntu
    # add S3 libs
    RUN curl https://repo1.maven.org/maven2/com/amazonaws/aws-java-sdk-bundle/1.12.262/aws-java-sdk-bundle-1.12.262.jar -o /opt/spark/jars/aws-java-sdk-bundle-1.12.262.jar
    RUN curl https://repo1.maven.org/maven2/org/apache/hadoop/hadoop-aws/3.3.4/hadoop-aws-3.3.4.jar -o /opt/spark/jars/hadoop-aws-3.3.4.jar
    ARG spark_uid = root
    USER ${spark_uid}
    # install compartible numpy version
    RUN pip install numpy == 1 .21.6
  2. В сервисе Artifact Registry:

    1. Создайте репозиторий.

    2. Загрузите образ.

Создайте задачу

Для продолжения работы убедитесь, что статус инстанса Spark изменился на «Готов».

  1. В списке инстансов Managed Spark откройте карточку инстанса «spark-image».

  2. Перейдите на вкладку Задачи.

  3. Нажмите Создать задачу.

  4. В блоке Общие параметры введите название задачи, например spark-image-sales.

  5. В блоке Образ:

    1. Выберите Пользовательский.

    2. Под полем URI образа нажмите Выбрать из реестра и выберите добавленный ранее образ.

  6. В блоке Скрипт приложения выберите Python.

  7. Укажите путь к запускаемой программе. В данном случае путь s3a://{bucket_name}/jobs/script-spark-image.py, где {bucket_name} — название созданного бакета Object Storage.

  8. Нажмите Создать.

Задача Spark начнет выполняться и отобразится на странице инстанса на вкладке Задачи.

Мониторинг выполнения задачи

Вы можете посмотреть логи задачи, когда задача находится в статусах «Выполняется» и «Готово», то есть как в процессе выполнения, так и по завершению задачи.

Перейдите к логам

  1. Откройте карточку инстанса.

  2. Во вкладке Задачи скопируйте ID задачи.

  3. Нажмите Горизонтальное меню и выберите Перейти к логам.

  4. В поле Запрос введите labels.spark_job_id="ID", где ID — идентификатор задачи, скопированный ранее.

  5. Нажмите Обновить.

В таблице отобразятся логи задачи. Нажмите на строку, чтобы развернуть запись.

Перейдите в Spark UI

  1. Откройте карточку инстанса.

  2. Во вкладке Задачи нажмите Spark UI.

    В соседней вкладке откроется интерфейс Spark UI.

  3. Вернитесь на карточку инстанса и откройте вкладку Информация.

  4. Скопируйте данные из блока Настройки доступа.

  5. Введите данные инстанса:

    • Username — значение поля Пользователь.

    • Password — значение секрета в поле Пароль.

В интерфейсе Spark UI вы найдете информацию о ходе выполнения задачи.

Проверьте результат

Когда задача перейдет в статус «Выполнено», откройте файловый менеджер Object Storage.

В бакете появится новая папка output. В ней хранится сводная таблица данных.

Evolution