Airflow SparkSubmitOperator - 如何在另一台服务器中进行spark-submit

我们的airflow 调度程序和我们的hadoop集群没有设置在同一台机器上（第一个问题：这是一个好习惯吗？）。

我们有许多需要调用pyspark脚本的自动过程。那些pyspark脚本存储在hadoop集群（10.70.1.35）中。airflow dag存储在airflow 机器（10.70.1.22）中。

目前，当我们想要使用airflow 来提交pyspark脚本时，我们使用一个简单的BashOperator，如下所示：

cmd = "ssh hadoop@10.70.1.35 spark-submit \
--master yarn \
--deploy-mode cluster \
--executor-memory 2g \
--executor-cores 2 \
/home/hadoop/pyspark_script/script.py"
t = BashOperator(task_id='Spark_datamodel',bash_command=cmd,dag=dag)
它工作得非常好。但我们想开始使用SparkSubmitOperator激发提交我们的pyspark脚本。

我试过这个：

from airflow import DAG
from datetime import timedelta, datetime
from airflow.contrib.operators.spark_submit_operator import
SparkSubmitOperator
from airflow.operators.bash_operator import BashOperator
from airflow.models import Variable

dag = DAG('SPARK_SUBMIT_TEST',start_date=datetime(2018,12,10),
schedule_interval='@daily')

sleep = BashOperator(task_id='sleep', bash_command='sleep 10',dag=dag)

_config ={'application':'hadoop@10.70.1.35:/home/hadoop/pyspark_script/test_spark_submit.py',

'master' : 'yarn',
'deploy-mode' : 'cluster',
'executor_cores': 1,
'EXECUTORS_MEM': '2G'

}

spark_submit_operator = SparkSubmitOperator(

task_id='spark_submit_job',
dag=dag,
**_config)

sleep.set_downstream(spark_submit_operator)
语法应该没问题，因为dag不会显示为已损坏。但是当它运行时它会给我以下错误：

[2018-12-14 03:26:42,600] {logging_mixin.py:95} INFO - [2018-12-14
03:26:42,600] {base_hook.py:83} INFO - Using connection to: yarn
[2018-12-14 03:26:42,974] {logging_mixin.py:95} INFO - [2018-12-14
03:26:42,973] {spark_submit_hook.py:283} INFO - Spark-Submit cmd:
['spark-submit', '--master', 'yarn', '--executor-cores', '1', '--name',
'airflow-spark', '--queue', 'root.default',
'hadoop@10.70.1.35:/home/hadoop/pyspark_script/test_spark_submit.py']
[2018-12-14 03:26:42,977] {models.py:1760} ERROR - [Errno 2] No such
file or directory: 'spark-submit'
Traceback (most recent call last):

  File "/home/dataetl/anaconda3/lib/python3.6/site- 

packages/airflow/models.py", line 1659, in _run_raw_task

result = task_copy.execute(context=context)
  File "/home/dataetl/anaconda3/lib/python3.6/site- 

packages/airflow/contrib/operators/spark_submit_operator.py", line
168,

in execute
    self._hook.submit(self._application)
  File "/home/dataetl/anaconda3/lib/python3.6/site- 

packages/airflow/contrib/hooks/spark_submit_hook.py", line 330, in
submit

    **kwargs)
  File "/home/dataetl/anaconda3/lib/python3.6/subprocess.py", line 

707,

in __init__
    restore_signals, start_new_session)
  File "/home/dataetl/anaconda3/lib/python3.6/subprocess.py", line 
1326, in _execute_child
    raise child_exception_type(errno_num, err_msg)
FileNotFoundError: [Errno 2] No such file or directory: 'spark-submit'

这是我的问题：

我应该在我的airflow 机上安装spark hadoop吗？我问，因为在这个主题中我读到我需要复制hdfs-site.xml和hive-site.xml。但是你可以想象，我的airflow 机器上既没有/etc/hadoop/也没有/etc/hive/目录。

a）如果不是，我应该在哪里复制hdfs-site.xml并hive-site.xml在我的airflow 机器上？

b）如果是，是否意味着我需要将我的airflow 机配置为客户端？一种不参与作业但可用于提交动作的边缘节点？

那么，我spark-submit能从我的airflow 机器上取下吗？如果是的话，那么我就不需要在Airflow上创建一个连接就像我为mysql数据库创建一样，对吧？