以下内容根据演讲视频以及PPT整理而成。
本次分享主要围绕以下三个方面：

一、功能特性
二、代码开发
三、DataWorks模式

一、功能特性

1.Spark部署模式
Spark开源文档中表明部署模式支持几种部署模式，如stand alone模式、on yarn模式、on k8s模式等。但是其中并不包括Spark on MaxCompute模式。Spark on MaxCompute其实是 MaxCompute平台对开源的Spark做的兼容支持，使得 MaxCompute平台得以支持运行Spark的作业。在部署的集群方式上，on yarn、on k8s集群云上部署时需要购买ECS部署Hadoop集群或者容器集群，或者是使用阿里云的产品，如EMR、容器服务。与用于自己搭建的Hadoop环境（CDH或者EMR的环境）对比时，自建的环境需要登录到集群中，进行查询和维护的工作，但在MaxCompute平台中，使用侧无法登陆，无需关心集群的运维等操作，相比on yarn等开源模式只需将精力放在Spark业务逻辑开发上。当用户部署完集群去客户端提交作业时，开源模式是从官网下载Spark客户端，通过Spark-submit提交作业。但开源的Spark-submit客户端无法到MaxCompute平台中提交作业。这时则需要注意使用MaxCompute中Github上提供的Spark，部署开发环境，并在开发本地处理测试提交的工作。

2.支持的数据源
**Spark on yarn/K8s限制条件：**首先，开源模式需要确认支持数据源操作的jar包是否存在。在常规做Spark作业开发分析时，需要需要考虑数据的来源以及去向，即Spark支不支持对对应的数据库进行读写访问。在开源开发模式下，需要将对应数据源支持的jar包加进去，在代码引用时则可以对对应的数据库进行读写访问。其次，开源模式还需要保证平台环境网络是否可打通。尽管代码层面上的接口都可以调用访问对应的库，但还需要检查Spark集群所运行的环境。如果作业是在集群中运行，在Hadoop中将作业提交上去，Work接点里面跑出来，在Spark并发跑的时候，拉取数据时要保证集群能访问到数据库，否则作业里会报连接超时的错误。云上环境网络连通上如常见的云上ECS搭建、自建Hadoop、k8s容器服务、EMR或者常见的VPC环境。如果VPC环境下集群和数据库之间要在网络评估的话，需要在同一个VPC下，否则默认情况下内网不通。

**Spark on MaxCompute限制条件：**若用户需要将一个作业迁到MaxCompute运行，需要检查MaxCompute是否支持所要访问的数据源，只有支持了，才能迁到MaxCompute上并借助其分布式能力让作业运行起来。目前MaxCompute支持访问的数据源包括oss、VPC下的ECS、RDS、redis等。基本上云上VPC下环境的数据源都支持。用户可从文档中获取具体支持数据源的所有信息，以及做访问配置时的配置方式等信息。

2.提交方式
开源模式在Spark客户端提交作业时，开发完成后需要在本地运行测试，运行测试的时候可以以Local模式运行，在集群运行时用Cluster的方式，做交互式时用Client的方式。Spark on MaxCompute同样也支持这三种方式，只有有些点与开源不同。首先，使用Spark on MaxCompute的客户端做MaxCompute表时，代码中计划访问MaxCompute表，拉取RDD数据进行分析。随即在本地测试时将MaxCompute表里的数据下载下来，再进行处理。此时如果MaxCompute表较大的话，拉取数据的时间会比较长，导致作业运行的时间也会变长。
其次，在测试时UDF会拉张表写到本地的Warehouse目录下，在下次测试使用缓存数据。但Spark on MaxCompute本地测试时，都需要重新拉数据。所以针对这个特性做功能测试时，在拉的取的表中选定一部分特征，或者选一些分区下载，使得数据量变少，避免将所有数据都下载再运行作业。此外，在Client的模式下，正常开源模式中提交时客户端Driver需要启动，而Spark on MaxCompute在Client模式下运行时，客户端不用启Driver。

**二、代码开发
1.POM配置**
在Spark业务代码开发时，Spark on MaxCompute代码开发可以参考对应Github中的POM配置文件https://Github.com/aliyun/MaxCompute-Spark/blob/master/spark-2.x/pom.xml
POM文件配置完成后编译或者运行代码时会出现版本冲突，运行不过或者编译不通过等问题。这时需要注意的两个点，首先要注意spark和scala的版本，需要在在POM文件中指定Spark版本，Cupid版本和Scala的版本。对应的版本可以参考下图。此外，需要注意Scope配置是Provided类型。在涉及到Spark on MaxCompute资源包引用时，Scope的配置需要是Provided类型，否则编译时会出现问题。

2.Jar包引用
下图是POM示例中关于ODPS数据源访问相关的jar包引用代码。关于Cupid-sdk，Spark底层其实是在Cupid平台运行的，由Cupid再去调用底层的调度资源进行协调，所以在做开发时Cupid版本需要引用进来。此外，如果在Spark需要访问oss数据源，需要将对应的jar包引用进来。odps-spark-datasource是对应ODPS支持源的jar包。

2.使用建议
建议使用SparkSql，不要使用ODPSops：在前期开发时，如果需要访问ODPS结构化数据，建议使用SparkSql方式，推荐ODPSops方式。SparkSession包含很多配置，如下图，但不建议将配置全部写到代码里，只需制定常见参数，如生效逻辑，代码，提交和配置文件等。如果底层在Cupid平台运行，需要注意部分参数要在程序加载之前进行初始化，如果等程序加载好之后再进行参数初始化就无法生效，既代码里面写的部分参数最终运行起来会失效。所以建议线上运行时，将SparkSession代码中配置的参数写到Spark节点配置中。如此，作业开始运行之前，便会将对应的参数配置好，运行之前初始化好环境，让对应的参数生效。

**线上运行时SparkSession代码中参数写到Spark节点：**Spark on MaxCompute在读MaxCompute表时，会被提示此项目不存在，如果确定项目的确存在，需要指定运行时端点的信息。通过运行时端点信息连接对应ODPS的元数据库，查询对应元数据是否来自对应的表，并查询项目是否存在。
**配置spark.hadoop.odps.runtime.end.point：**建议在做Spark节点配置时，加上runtime。

**引用jar资源使用spark.hadoop.odps.cupid.resources：**当需要引用第三方的包，但是MaxCompute中并不具备这些包时，可以利用FatJar的方式运行。异或在直接编译完后，在需要引用一些其它jar包资源时，通过Cupid Resources参数引用。对应的jar包需要以资源方式上传到MaxCompute中。

三、DataWorks模式
写好Spark作业后本地测试都正常，且要与其它作业形成工作流时需要添加依赖，还需要定时调度，这时需要将Spark作业部署到DataWorks中。在DataWorks中部署时需要进行以下几步操作。
**1.操作流程
创建spark节点：**找到DataWorks界面，找到对应的项，找到一个工作流，新建Spark节点。

**配置节点参数：**新建的Spark节点中需要进行参数的配置。选择Spark版本，如Spark2.x。选择开发语言，如JavaScala或者Python。通过创建资源的方式将对应的jar包进行导入。再选择主jar包资源，如spark.oss.jar。再配置一些参数，如accessKey，指定runtime的endpoint，指定Cupid版本，通过domainlist指定需要访问VPC的数据源。以及Main Class表明main所在的组类。其余的参数可以通过参数选项进行自定义设置，如指定定时调度等。
**进行测试运行：**参数配置好后，保存，执行测试运行。可通过刷新日志，查看初始化的配置，如当前作业拉到了哪个项目。此时会生成Logview，与SQL作业类似，其中包含master节点和worker节点。

**提交发布：**测试完成后，首先需要将Spark节点进行发布，才可以在生产环境正常的调度。在生产环境的运维环境下可以找到此节点。如果没有发布，只能在开发环境下看到此作业节点。

但这时如果只发布Spark节点作业，在生产环境测试会报错。因为参数主jar包还没有发布，需要在测试环境下进行发布。所以需要注意，所引用的jar包都需要进行手动的发布。此外如果需要引入大的jar包，超过100M，可以通过命令行方式上传到MaxCompute开发和测试环境中。但这时可能无法在DataWorks界面看到这个包。但可以通过反向添加到DataWorks中。

查看更多：https://yqh.aliyun.com/detail/6402?utm_content=g_1000106255

上云就看云栖号：更多云资讯，上云案例，最佳实践，产品入门，访问：https://yqh.aliyun.com/