Compatibilidade com o Spark Connect

O Spark Connect é uma arquitetura cliente-servidor para o Apache Spark que separa o cliente da aplicação do processo de driver do cluster do Spark, permitindo conectividade remota com o Spark de clientes compatíveis. O Spark Connect também permite a depuração interativa durante o desenvolvimento diretamente de seus IDEs/clientes preferenciais.

A partir da versão de lançamento do Apache Spark versão 3.5, o Athena é compatível com o Spark Connect como um endpoint da AWS acessível usando a API GetSessionEndpoint.

Exemplos de API/CLI (GetSessionEndpoint)

Você pode usar a API GetSessionEndpoint para obter o endpoint do Spark Connect para uma sessão interativa.

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

Essa API retorna o URL do endpoint do Spark Connect para essa sessão.

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

Conectar de clientes autogerenciados

Você pode se conectar a uma sessão interativa do Athena Spark de clientes autogerenciados.

Pré-requisitos

Instale o cliente pyspark-connect para Spark 3.5.6 e o AWS SDK para Python.

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

Confira este exemplo de script Python para enviar solicitações diretamente para um endpoint da sessão:

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()

Confira a seguir um exemplo de script Python para acessar a interface do usuário ativa ou o servidor de histórico do Spark de uma sessão:

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']