Soporte de Spark Connect

Spark Connect es una arquitectura cliente-servidor para Apache Spark que desacopla el cliente de la aplicación del proceso de controlador del clúster de Spark, lo que permite la conectividad remota a Spark desde los clientes compatibles. Spark Connect también permite la depuración interactiva durante el desarrollo directamente desde sus IDE o clientes favoritos.

A partir de la versión 3.5 de Apache Spark, Athena admite Spark Connect como punto de conexión de AWS al que se puede acceder mediante la API GetSessionEndpoint.

Ejemplos de API/CLI (GetSessionEndpoint)

Puede usar la API GetSessionEndpoint para obtener el punto de conexión de Spark Connect para una sesión interactiva.

aws athena get-session-endpoint \
  --region "REGION" \
  --session-id "SESSION_ID"

Esta API devuelve la URL del punto de conexión de Spark Connect para esa sesión.

{
  "EndpointUrl": "ENDPOINT_URL",
  "AuthToken": "AUTH_TOKEN",
  "AuthTokenExpirationTime": "AUTH_TOKEN_EXPIRY_TIME"
}

Conexión desde clientes autoadministrados

Puede conectarse a una sesión interactiva de Athena Spark desde clientes autoadministrados.

Requisitos previos

Instale el cliente pyspark-connect para Spark 3.5.6 y el SDK de AWS para Python.

pip install --user pyspark[connect]==3.5.6
pip install --user boto3

El siguiente es un ejemplo de script de Python para enviar solicitudes directamente al punto de conexión de la sesión:

import boto3
import time
from pyspark.sql import SparkSession

client = boto3.client('athena', region_name='<REGION>')

# start the session
response = client.start_session(
    WorkGroup='<WORKGROUP_NAME>',
    EngineConfiguration={}
)

# wait for the session endpoint to be ready
time.sleep(5)
response = client.get_session_endpoint(SessionId=session_id)

# construct the authenticated remote url
authtoken=response['AuthToken']
endpoint_url=response['EndpointUrl']
endpoint_url=endpoint_url.replace("https", "sc")+":443/;use_ssl=true;"
url_with_headers = (
    f"{endpoint_url}"
    f"x-aws-proxy-auth={authtoken}"
)

# start the Spark session
start_time = time.time()
spark = SparkSession.builder\
    .remote(url_with_headers)\
    .getOrCreate()
 
spark.version 

#
# Enter your spark code here
#

# stop the Spark session
spark.stop()

El siguiente es un ejemplo de script de Python para acceder a la interfaz de usuario de Spark en vivo o al servidor de historial de Spark durante una sesión:

Region='<REGION>'
WorkGroupName='<WORKGROUP_NAME>'
SessionId='<SESSION_ID>'
Partition='aws'
Account='<ACCOUNT_NUMBER>'

SessionARN=f"arn:{Partition}:athena:{Region}:{Account}:workgroup/{WorkGroupName}/session/{SessionId}"

# invoke the API to get the live UI/persistence UI for a session
response = client.get_resource_dashboard(
    ResourceARN=SessionARN
)
response['Url']