Managed Service for Apache Spark Connect 客户端是 Apache Spark Connect 客户端的封装容器。它允许应用使用 Spark Connect 协议与远程 Managed Service for Apache Spark 会话通信。本文档介绍了如何安装、配置和使用客户端。
准备工作
如果您在 Google Cloud之外运行客户端,请提供身份验证凭据。 将
GOOGLE_APPLICATION_CREDENTIALS环境变量设置为服务账号密钥文件的路径。
安装或卸载客户端
您可以使用 pip 安装或卸载 dataproc-spark-connect 软件包。
安装
如需安装最新版本的客户端,请运行以下命令:
pip install -U dataproc-spark-connect
卸载
如需卸载客户端,请运行以下命令:
pip uninstall dataproc-spark-connect
配置客户端
为会话指定项目和区域。您可以使用环境变量或通过代码中的构建器 API 设置这些值。
环境变量
设置 GOOGLE_CLOUD_PROJECT 和 GOOGLE_CLOUD_REGION 环境变量。
Builder API
使用 .projectId() 和 .location() 方法。
spark = DataprocSparkSession.builder.projectId("my-project").location("us-central1").getOrCreate()
启动 Spark 会话
如需启动 Spark 会话,请将所需的导入项添加到 PySpark 应用或笔记本中,然后调用 DataprocSparkSession.builder.getOrCreate() API。
导入
DataprocSparkSession类。调用
getOrCreate()方法以开始会话。from google.cloud.dataproc_spark_connect import DataprocSparkSession spark = DataprocSparkSession.builder.getOrCreate()
配置 Spark 属性
如需配置 Spark 属性,请将一个或多个 .config() 方法链接到构建器。
from google.cloud.dataproc_spark_connect import DataprocSparkSession
spark = DataprocSparkSession.builder.config('spark.executor.memory', '48g').config('spark.executor.cores', '8').getOrCreate()
使用高级配置
如需进行高级配置,请使用 Session 类自定义子网或运行时版本等设置。
from google.cloud.dataproc_spark_connect import DataprocSparkSession
from google.cloud.dataproc_v1 import Session
session_config = Session