Apache Spark を使用して Processing ジョブを実行する

Apache Spark は、大規模データ処理のための統合分析エンジンです。Amazon SageMaker AI は、Apache Spark と分散データ処理ジョブの実行に必要なその他の依存関係を含む構築済みの Docker イメージを提供します。Apache Spark を使用して Amazon SageMaker Processing ジョブを実行する方法の例を次に示します。

Amazon SageMaker Python SDK を使うと、Spark フレームワークを使って簡単にデータ変換を適用し、特徴を抽出 (特徴量エンジニアリング) できます。SageMaker Python SDK を使って Spark の処理ジョブを実行する方法については、Amazon SageMaker Python SDK の「Spark を使ってデータを処理する」を参照してください。

Spark イメージのソースコードと Dockerfile を含むコードリポジトリは、GitHub にあります。

sagemaker.spark.PySparkProcessor クラスまたは sagemaker.spark.SparkJarProcessor クラスを使用して、処理ジョブ内で Spark アプリケーションを実行できます。MaxRuntimeInSeconds に設定できる最長のランタイム制限は 5 日間です。単純な Spark ワークロードでは、実行時間と使用インスタンス数に関して、インスタンス数と完了までの時間にほぼ直線的な関係が見られます。

次のコード例は、PySpark スクリプト preprocess.py を呼び出す処理ジョブを実行する方法を示しています。

from sagemaker.spark.processing import PySparkProcessor

spark_processor = PySparkProcessor(
    base_job_name="spark-preprocessor",
    framework_version="2.4",
    role=role,
    instance_count=2,
    instance_type="ml.m5.xlarge",
    max_runtime_in_seconds=1200,
)

spark_processor.run(
    submit_app="preprocess.py",
    arguments=['s3_input_bucket', bucket,
               's3_input_key_prefix', input_prefix,
               's3_output_bucket', bucket,
               's3_output_key_prefix', output_prefix]
)

詳細については、Apache Spark と SageMaker Processing を使った分散データ処理のサンプルノートブックを参照してください。

Amazon SageMaker AI Python SDK とそのいずれかのプロセッサクラスを使用して構築済みのイメージを取得していない場合は、これらのイメージを自分で取得できます。SageMaker の構築済み Docker イメージは、Amazon Elastic Container Registry (Amazon ECR) に保存されます。利用可能な事前構築済み Docker イメージの完全なリストについては、使用できるイメージのドキュメントを参照してください。

Processing コンテナでの SageMaker Python SDK の使用の詳細については、Amazon SageMaker AI Python SDK」を参照してください。