Amazon EMR Serverless を使用して Spark ジョブを実行する

2024 年の最初の 100 個のステーションファイルをダウンロードします。

$ 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

コマンドは、合計約 7～8 MB の CSV ファイル約 100 個をダウンロードします。

gsod/2024/ プレフィックスの下にあるアクセスポイントにファイルをアップロードします。access-point-alias をアクセスポイントエイリアスに置き換えます。

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

次のスクリプトを という名前のファイルに保存します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()

scripts/ プレフィックスの下にあるアクセスポイントにスクリプトをアップロードします。

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

最新の Amazon EMR リリースを使用して Spark アプリケーションを作成します。

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

レスポンス内の applicationId を書き留めます。

アプリケーションの起動 を開始すると、ワーカーの小さなプールが事前ウォーミングされるため、最初のジョブはコールドスタートの遅延なしで実行されます。

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

状態が になるまで待ちますSTARTED。

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

ジョブドライバー設定を として保存しますjob-driver.json。プレースホルダーを置き換えます。

{
    "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"
    }
}

次のモニタリング設定を として保存しますjob-config.json。ドライバーとエグゼキュターのログを CloudWatch Logs に送信します。

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

ジョブを送信します。

$ 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

レスポンス内の jobRunId を書き留めます。

ジョブのステータスをポーリングします。ジョブは から SCHEDULEDRUNNINGに移行しますSUCCESS。

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

出力パーティションを一覧表示します。

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

month=YYYY-MM/ パーティションごとに 1 つの Parquet ファイルと、ルートに_SUCCESSマーカーが表示されます。

パーティションをローカルに読み取り、コンテンツを確認します。

$ 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())"

出力スキーマには、station、、station_name、lat、lon、avg_temp_f、min_temp_f、、precip_event_days、max_temp_ftotal_prcp_inおよび が含まれますobservation_days。