使用DataProcPySparkOperator时无法配置GCP项目

问题描述

我正在使用Cloud Composer环境在GCP项目中运行工作流程。我的工作流程之一是使用DataprocClusterCreateOperator在不同的项目中创建一个Dataproc集群，然后尝试使用DataProcPySparkOperator模块中的airflow.contrib.operators.dataproc_operator将PySpark作业提交到该集群。

要创建集群，我可以指定一个project_id参数在另一个项目中创建它，但是似乎DataProcPySparkOperator会忽略此参数。例如，我希望能够传递project_id，但是当任务运行时，我最终会遇到404错误：

from airflow.contrib.operators.dataproc_operator import DataProcpySparkOperator

t1 = DataProcpySparkOperator(
  project_id='my-gcp-project',main='...',arguments=[...],)

如何使用DataProcPySparkOperator提交另一个项目中的工作？

解决方法

DataProcPySparkOperator模块中的airflow.contrib.operators.dataproc_operator在其构造函数中不接受project_id kwarg，因此它将始终默认在Cloud Composer环境所在的项目中提交Dataproc作业。如果传递了参数，则将其忽略，这将导致在运行任务时出现404错误，因为操作员将尝试使用错误的群集路径来轮询作业。

一种解决方法是复制运算符和挂钩，然后对其进行修改以接受项目ID。但是，一个更简单的解决方案是使用airflow.providers软件包中较新的运算符（如果您使用的是支持它们的Airflow版本），因为在较新的Airflow版本中不推荐使用许多airflow.contrib运算符。

下面是一个示例。请注意，此模块中有一个更新的DataprocSubmitPySparkJobOperator，但不推荐使用DataprocSubmitJobOperator。因此，您应该使用后者，它接受项目ID。

from airflow.providers.google.cloud.operators.dataproc import DataprocSubmitJobOperator

t1 = DataprocSubmitJobOperator(
  project_id='my-gcp-project-id',location='us-central1',job={...},)

如果您使用Composer 1.10.5 +，Airflow 1.10.6+和Python 3运行环境，则将预先安装提供程序，并可以立即使用它们。