Esegui job Spark utilizzando Amazon EMR Serverless

Scarica i primi 100 file delle stazioni per il 2024.

$ mkdir -p ~/gsod && cd ~/gsod
aws s3 ls s3://noaa-gsod-pds/2024/ --no-sign-request | head -100 | awk '{print $NF}' > files.txt
while read f; do
    aws s3 cp "s3://noaa-gsod-pds/2024/$f" "$f" --no-sign-request --only-show-errors
done < files.txt
ls | wc -l

Il comando scarica circa 100 file CSV per un totale di circa 7—8 MB.

Carica i file nel punto di accesso sotto il prefisso. gsod/2024/ access-point-aliasSostituiscilo con l'alias del tuo punto di accesso.

$ aws s3 cp ~/gsod/ "s3://access-point-alias/gsod/2024/" --recursive --exclude "files.txt" --only-show-errors

Salva lo script seguente in un file denominato. gsod_monthly.py

# gsod_monthly.py
import sys
from pyspark.sql import SparkSession
from pyspark.sql import functions as F

INPUT_PATH, OUTPUT_PATH = sys.argv[1], sys.argv[2]

# GSOD sentinels for missing data
TEMP_SENTINEL = 9999.9
PRCP_SENTINEL = 99.99

spark = SparkSession.builder.appName("gsod-monthly-summary").getOrCreate()

raw = spark.read.option("header", True).csv(INPUT_PATH)

cleaned = (raw
    .select(
        F.col("STATION").alias("station"),
        F.col("NAME").alias("station_name"),
        F.col("LATITUDE").cast("double").alias("lat"),
        F.col("LONGITUDE").cast("double").alias("lon"),
        F.to_date("DATE", "yyyy-MM-dd").alias("date"),
        F.col("TEMP").cast("double").alias("temp_f"),
        F.col("PRCP").cast("double").alias("prcp_in"),
        F.col("FRSHTT").alias("frshtt"),
    )
    .filter(F.col("temp_f") != TEMP_SENTINEL)
    .withColumn("month", F.date_format("date", "yyyy-MM"))
    .withColumn(
        "prcp_in",
        F.when(F.col("prcp_in") == PRCP_SENTINEL, None).otherwise(F.col("prcp_in")),
    )
    # FRSHTT is a 6-char bitfield: Fog, Rain, Snow, Hail, Thunder, Tornado.
    # Check only positions 2-4 (Rain, Snow, Hail) for precipitation events.
    .withColumn(
        "had_precip_event",
        F.when(F.col("frshtt").substr(2, 3).rlike("1"), 1).otherwise(0),
    )
)

monthly = (cleaned
    .groupBy("station", "station_name", "lat", "lon", "month")
    .agg(
        F.avg("temp_f").alias("avg_temp_f"),
        F.min("temp_f").alias("min_temp_f"),
        F.max("temp_f").alias("max_temp_f"),
        F.sum("prcp_in").alias("total_prcp_in"),
        F.sum("had_precip_event").alias("precip_event_days"),
        F.count("*").alias("observation_days"),
    )
)

(monthly.write
    .mode("overwrite")
    .partitionBy("month")
    .parquet(OUTPUT_PATH))

spark.stop()

Carica lo script nel punto di accesso sotto il scripts/ prefisso.

$ aws s3 cp gsod_monthly.py "s3://access-point-alias/scripts/gsod_monthly.py"

Crea un'applicazione Spark utilizzando una versione recente di Amazon EMR.

$ aws emr-serverless create-application \
    --name fsxn-emr-app --type SPARK --release-label emr-7.0.0

Prendere nota dell'ID applicationId nella risposta.

Avvia l'applicazione. L'avvio preriscalda un piccolo gruppo di lavoratori in modo che il primo lavoro venga eseguito senza ritardi nell'avvio a freddo.

$ aws emr-serverless start-application --application-id application-id

Aspetta che lo stato diventi. STARTED

$ aws emr-serverless get-application --application-id application-id \
    --query 'application.state'

Salva la configurazione del driver di lavoro come. job-driver.json Sostituisci i segnaposto.

{
    "sparkSubmit": {
        "entryPoint": "s3://access-point-alias/scripts/gsod_monthly.py",
        "entryPointArguments": [
            "s3://access-point-alias/gsod/2024/",
            "s3://access-point-alias/gsod-monthly/"
        ],
        "sparkSubmitParameters": "--conf spark.executor.cores=2 --conf spark.executor.memory=4g --conf spark.driver.cores=2 --conf spark.driver.memory=4g --conf spark.executor.instances=2"
    }
}

Salva la seguente configurazione di monitoraggio come. job-config.json Invia i log dei driver e degli esecutori a CloudWatch Logs.

{
    "monitoringConfiguration": {
        "cloudWatchLoggingConfiguration": {
            "enabled": true,
            "logGroupName": "/aws/emr-serverless/fsxn-emr-app"
        }
    }
}

Invia il lavoro.

$ aws emr-serverless start-job-run \
    --application-id application-id \
    --execution-role-arn arn:aws:iam::account-id:role/fsxn-emr-job-role \
    --name gsod-monthly \
    --job-driver file://job-driver.json \
    --configuration-overrides file://job-config.json

Prendere nota dell'ID jobRunId nella risposta.

Esamina lo stato del lavoro. Il lavoro passa da SCHEDULED a. RUNNING SUCCESS

$ aws emr-serverless get-job-run \
    --application-id application-id \
    --job-run-id job-run-id \
    --query 'jobRun.state'

Elenca le partizioni di output.

$ aws s3 ls "s3://access-point-alias/gsod-monthly/" --recursive

Dovresti vedere un file Parquet per month=YYYY-MM/ partizione più un _SUCCESS marker nella radice.

Leggi una partizione localmente per verificarne il contenuto.

$ aws s3 cp "s3://access-point-alias/gsod-monthly/month=2024-06/" . \
    --recursive --exclude "_SUCCESS"
python3 -c "import pyarrow.parquet as pq; \
    t = pq.read_table(next(__import__('glob').iglob('*.parquet'))); \
    print(t.schema); print(t.to_pandas().head())"

Lo schema di output include stationstation_name,lat,lon,avg_temp_f,min_temp_f,max_temp_f, total_prcp_inprecip_event_days, eobservation_days.