创建EMR Spark SQL节点 - 大数据开发治理平台 DataWorks

您可以通过创建EMR（E-MapReduce） Spark SQL节点，实现分布式SQL查询引擎处理结构化数据，提高作业的执行效率。

前提条件

已注册EMR集群至DataWorks。操作详情请参见注册EMR集群至DataWorks。
已拥有开发权限。（可选，RAM账号需要）进行任务开发的RAM账号已被添加至对应工作空间中，并具有开发或空间管理员（权限较大，谨慎添加）角色权限，添加成员的操作详情请参见为工作空间添加空间成员。
已购买资源组完成资源组配置。包括绑定工作空间、网络配置等。详情请参见新增和使用Serverless资源组。
已创建业务流程。数据开发（DataStudio）基于业务流程对不同开发引擎进行具体开发操作，所以您创建节点前需要先新建业务流程，操作详情请参见创建业务流程。
如果您在开发任务时，需要特定的开发环境支持，可使用DataWorks提供的自定义镜像功能，定制化构建任务执行所需的组件镜像。更多信息，请参见镜像管理。

使用限制

仅支持使用Serverless资源组（推荐）或独享调度资源组运行该类型任务。
DataLake或自定义集群若要在DataWorks管理元数据，需先在集群侧配置EMR-HOOK。若未配置，则无法在DataWorks中实时展示元数据、生成审计日志、展示血缘关系、开展EMR相关治理任务。配置EMR-HOOK，详情请参见配置Spark SQL的EMR-HOOK。
EMR on ACK类型的Spark集群及EMR Serverless Spark集群不支持血缘。
DataLake集群与自定义集群支持使用可视化注册函数，EMR on ACK 类型的Spark集群、EMR Serverless Spark集群不支持使用可视化注册函数。

步骤一：创建EMR Spark SQL节点

进入数据开发页面。
登录DataWorks控制台，切换至目标地域后，单击左侧导航栏的数据开发与治理 > 数据开发，在下拉框中选择对应工作空间后单击进入数据开发。
新建EMR Spark SQL节点。
1. 右键单击目标业务流程，选择新建节点 > EMR > EMR Spark SQL。
  说明
  您也可以鼠标悬停至新建，选择新建节点 > EMR > EMR Spark SQL。
2. 在新建节点对话框中，输入名称，并选择引擎实例、节点类型及路径。单击确认，进入EMR Spark SQL节点编辑页面。
  说明
  节点名称支持大小写字母、中文、数字、下划线（_）和小数点（.）。

步骤二：开发EMR Spark SQL任务

在EMR Spark SQL节点编辑页面双击已创建的节点，进入任务开发页面，执行如下开发操作。

开发SQL代码

在SQL编辑区域开发任务代码，您可在代码中使用${变量名}的方式定义变量，并在节点编辑页面右侧导航栏的调度配置>调度参数中为该变量赋值。实现调度场景下代码的动态传参，调度参数使用详情，请参考调度参数支持的格式，示例如下。

SHOW TABLES; 
-- 通过${var}定义名为var的变量，若将该变量赋值${yyyymmdd},可实现创建以业务日期作为后缀的表。
CREATE TABLE IF NOT EXISTS userinfo_new_${var} (
ip STRING COMMENT'IP地址',
uid STRING COMMENT'用户ID'
)PARTITIONED BY(
dt STRING
); --可以结合调度参数使用。

说明

SQL语句最大不能超过130KB。
如果您工作空间的数据开发中绑定多个EMR数据源，则需要根据业务需求选择合适的引擎。如果仅绑定一个EMR引擎，则无需选择。

（可选）配置高级参数

您可在节点高级设置处配置Spark特有属性参数。更多Spark属性参数设置，请参考Spark Configuration。不同类型EMR集群可配置的高级参数存在部分差异，具体如下表。

DataLake集群/自定义集群：EMR on ECS

高级参数	配置说明
queue	提交作业的调度队列，默认为default队列。关于EMR YARN说明，详情请参见队列基础配置。
priority	优先级，默认为1。
FLOW_SKIP_SQL_ANALYZE	SQL语句执行方式。取值如下： `true`：表示每次执行多条SQL语句。 `false`（默认值）：表示每次执行一条SQL语句。说明该参数仅支持用于数据开发环境测试运行流程。
ENABLE_SPARKSQL_JDBC	提交SQL代码的方式。取值如下： `true`：表示采用JDBC的方式提交SQL代码。当EMR集群无Kyuubi服务时，提交SQL代码至Spark Thrift Server，当EMR集群有Kyuubi服务时，则通过JDBC方式提交SQL代码至Kyuubi，并支持自定义Spark参数。两种方式均支持元数据血缘，但提交至Thrift Server的任务会缺少元数据对应节点任务的产出信息。 `false`（默认值）：表示采用Spark-submit cluster方式提交SQL代码。此提交方式下，Spark2和Spark3均支持元数据血缘和产出信息。还支持自定义Spark参数。说明 Spark-submit cluster提交方式默认在EMR集群HDFS的`/tmp`目录下创建临时文件及目录，您需要保证目录具有读写权限。当选择Spark-submit cluster方式提交时，您可以直接在高级配置里追加自定义SparkConf参数。提交代码时DataWorks会自行在命令中加上新增的参数。例如，`"spark.driver.memory" : "2g"`。
USE_GATEWAY	设置本节点提交作业时，是否通过Gateway集群提交。取值如下： `true`：通过Gateway集群提交。 `false`（默认值）：不通过Gateway集群提交，默认提交到header节点。说明如果本节点所在的集群未关联Gateway集群，此处手动设置参数取值为`true`时，后续提交EMR作业时会失败。
DATAWORKS_SESSION_DISABLE	适用于开发环境直接测试运行场景。取值如下： `true`：表示每次运行SQL语句都会新建一个JDBC Connection。 `false`（默认值）：表示用户在一个节点里运行不同的SQL语句时会复用同一个JDBC Connection。说明该参数配置为`false`时不会打印Hive的`yarn applicationId`，如需打印`yarn applicationId`，请配置该参数为`true`。
其他	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下： `spark.eventLog.enabled : false` ，DataWorks会自动在最终下发EMR集群的代码中进行补全，格式为：`--conf key=value`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于设置全局Spark参数，详情请参见设置全局Spark参数。

EMR Serverless Spark集群

相关参数设置请参见提交Spark任务参数设置。

高级参数	配置说明
queue	提交作业的调度队列，默认为dev_queue队列。
priority	优先级，默认为1。
FLOW_SKIP_SQL_ANALYZE	SQL语句执行方式。取值如下： `true`：表示每次执行多条SQL语句。 `false`（默认值）：表示每次执行一条SQL语句。说明该参数仅支持用于数据开发环境测试运行流程。
ENABLE_SPARKSQL_JDBC	提交SQL代码的方式。取值如下： `true`：表示采用JDBC的方式提交SQL代码。当EMR集群无Kyuubi服务时，提交SQL代码至Spark Thrift-Server，当EMR集群有Kyuubi服务时，则通过JDBC方式提交SQL代码至Kyuubi，并支持自定义Spark参数。两种方式均支持元数据血缘，但提交至Thrift-Server的任务会缺少元数据对应节点任务的产出信息。 `false`（默认值）：表示采用Spark-submit cluster方式提交SQL代码。此提交方式下，Spark2和Spark3均支持元数据血缘和产出信息。还支持自定义Spark参数。说明 Spark-submit cluster提交方式默认在EMR集群HDFS的`/tmp`目录下创建临时文件及目录，您需要保证目录具有读写权限。当选择Spark-submit cluster方式提交时，您可以直接在高级配置里追加自定义SparkConf参数。提交代码时DataWorks会自行在命令中加上新增的参数。例如，`"spark.driver.memory" : "2g"`。
USE_GATEWAY	设置本节点提交作业时，是否通过Gateway集群提交。取值如下： `true`：通过Gateway集群提交。 `false`（默认值）：不通过Gateway集群提交，默认提交到header节点。说明如果本节点所在的集群未关联Gateway集群，此处手动设置参数取值为`true`时，后续提交EMR作业时会失败。
DATAWORKS_SESSION_DISABLE	适用于开发环境直接测试运行场景。取值如下： `true`：表示每次运行SQL语句都会新建一个JDBC Connection。 `false`（默认值）：表示用户在一个节点里运行不同的SQL语句时会复用同一个JDBC Connection。说明该参数配置为`false`时不会打印Hive的`yarn applicationId`，如需打印`yarn applicationId`，请将该参数配置为`true`。
SERVERLESS_RELEASE_VERSION	Spark引擎版本，默认使用管理中心的集群管理中集群配置的默认引擎版本。如需为不同任务设置不同的引擎版本，您可在此进行设置。说明注册集群指定的SQL Compute（会话）在EMR Serverless Spark控制台处于未启动状态的时候，高级设置配置中的`SERVERLESS_RELEASE_VERSION`参数才会生效。
SERVERLESS_QUEUE_NAME	指定资源队列，默认使用管理中心的集群管理中集群配置的默认资源队列。如有资源隔离和管理需求，可通过添加队列实现。详情请参见管理资源队列。说明注册集群指定的SQL Compute（会话）在EMR Serverless Spark控制台处于未启动状态的时候，高级设置配置中的`SERVERLESS_QUEUE_NAME`参数才会生效。
SERVERLESS_SQL_COMPUTE	指定SQL Compute（SQL会话），默认使用管理中心的集群管理中集群配置的默认SQL Compute。如需面向不同任务设置不同的SQL会话，您可在此进行设置。如需创建管理SQL会话，详情请参见管理SQL会话。
其他	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下： `spark.eventLog.enabled : false` ，DataWorks会自动在最终下发EMR集群的代码中进行补全，格式为：`--conf key=value`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于设置全局Spark参数，详情请参见设置全局Spark参数。

保存并运行SQL任务

在工具栏，单击图标，保存编写的SQL语句，单击图标，运行创建的SQL任务。

在运行弹窗中，请选择网络连通性通过的资源组，确保DataWorks可正常访问您的Spark服务；在节点代码中使用了变量的情况下，请在调试运行阶段为变量赋值常量。调度时使用的调度参数以及资源组，请参考步骤三在调度配置中配置。更多任务调试说明，详情请参见任务调试流程。

说明

如果您需要修改代码中的参数赋值，请单击界面上方工具栏的高级运行。参数赋值逻辑详情请参见运行，高级运行和开发环境冒烟测试赋值逻辑有什么区别。

Spark集群：EMR on ACK

高级参数	配置说明
FLOW_SKIP_SQL_ANALYZE	SQL语句执行方式。取值如下： `true`：表示每次执行多条SQL语句。 `false`（默认值）：表示每次执行一条SQL语句。说明该参数仅支持用于数据开发环境测试运行流程。
USE_GATEWAY	设置本节点提交作业时，是否通过Gateway集群提交。取值如下： `true`：通过Gateway集群提交。 `false`（默认值）：不通过Gateway集群提交，默认提交到header节点。说明如果本节点所在的集群未关联Gateway集群，此处手动设置参数取值为`true`时，后续提交EMR作业时会失败。
其他	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下：`spark.eventLog.enabled : false` ，DataWorks会自动在最终下发EMR集群的代码中进行补全，格式为：`--conf key=value`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于全局Spark参数设置，详情请参见设置全局Spark参数。

Hadoop集群：EMR on ECS

高级参数	配置说明
queue	提交作业的调度队列，默认为default队列。关于EMR YARN说明，详情请参见队列基础配置。
priority	优先级，默认为1。
FLOW_SKIP_SQL_ANALYZE	SQL语句执行方式。取值如下： `true`：表示每次执行多条SQL语句。 `false`（默认值）：表示每次执行一条SQL语句。说明该参数仅支持用于数据开发环境测试运行流程。
USE_GATEWAY	设置本节点提交作业时，是否通过Gateway集群提交。取值如下： `true`：通过Gateway集群提交。 `false`（默认值）：不通过Gateway集群提交，默认提交到header节点。说明如果本节点所在的集群未关联Gateway集群，此处手动设置参数取值为`true`时，后续提交EMR作业时会失败。
其他	自定义Spark Configuration参数，添加Spark特有属性参数。配置格式如下： `spark.eventLog.enabled : false` ，DataWorks会自动在最终下发EMR集群的代码中进行补全，格式为：`--conf key=value`。说明 DataWorks支持您设置全局Spark参数，即按照工作空间粒度指定DataWorks各模块使用的Spark参数，您可自行指定该全局Spark参数的优先级是否高于指定模块内的Spark参数。关于设置全局Spark参数，详情请参见设置全局Spark参数。

执行SQL任务

在工具栏单击图标，在参数对话框选择已创建的调度资源组，单击运行。
说明
- 访问公共网络或VPC网络环境的数据源需要使用与数据源测试连通性成功的调度资源组。详情请参见网络连通方案。
- 如果您后续执行任务需要修改使用的资源组，您可单击带参运行图标，选择需要更换的调度资源组。
- 使用EMR Spark SQL节点查询数据时，返回的查询结果最大支持10000条数据，并且数据总量不能超过10MB。
单击图标，保存编写的SQL语句。
（可选）冒烟测试。
如果您希望在开发环境进行冒烟测试，可在执行节点提交或节点提交后执行冒烟测试，操作详情请参见执行冒烟测试。

步骤三：配置节点调度

如您需要周期性执行创建的节点任务，可单击节点编辑页面右侧的调度配置，根据业务需求配置该节点任务的调度信息。配置详情请参见任务调度属性配置概述。

说明

您需要设置节点的重跑属性和依赖的上游节点，才可以提交节点。

步骤四：发布节点任务

节点任务配置完成后，需执行提交发布操作，提交发布后节点即会根据调度配置内容进行周期性运行。

单击工具栏中的图标，保存节点。
单击工具栏中的图标，提交节点任务。
提交时需在提交对话框中输入变更描述，并根据需要选择是否在节点提交后执行代码评审。
说明
- 您需设置节点的重跑属性和依赖的上游节点，才可提交节点。
- 代码评审可对任务的代码质量进行把控，防止由于任务代码有误，未经审核直接发布上线后出现任务报错。如进行代码评审，则提交的节点代码必须通过评审人员的审核才可发布，详情请参见代码评审。

如您使用的是标准模式的工作空间，任务提交成功后，需单击节点编辑页面右上方的发布，将该任务发布至生产环境执行，操作请参见发布任务。

后续步骤

任务提交发布后，会基于节点的配置周期性运行，您可单击节点编辑界面右上角的运维，进入运维中心查看周期任务的调度运行情况。详情请参见查看并管理周期任务。