Разработчик интеграции Apache Spark с YTsaurus

YT (YTsaurus) — это основная платформа для аналитики и построения batch-процессов в Яндексе, которая включает несколько видов хранилищ, планировщик ресурсов и встроенный MapReduce-движок. Apache Spark — популярный открытый фреймворк для распределённой обработки больших объёмов данных.

Уже больше 5 лет мы занимаемся интеграцией Spark с YTsaurus в рамках проекта SPYT. За это время Spark стал одним из основных аналитических инструментов для работы с данными, которые хранятся в YTsaurus и используются как внутри Яндекса, так и внешними пользователями. Исходный код SPYT доступен в опенсорсе в репозитории. За последние годы мы несколько раз рассказывали про наш проект на конференциях:

• Как подключить к Apache Spark проприетарный источник данных
• Помогаем планировщику Apache Spark быть ещё эффективнее
• Spark Connect: новый подход для работы с Apache Spark
• YTsaurus Shuffle Service: как повысить надёжность и производительность тяжёлых Spark-приложений

Перед нами стоят всё более интересные и амбициозные задачи, и мы ищем сильного разработчика, который станет частью нашей команды.

Какие задачи вас ждут

Повышение эффективности интеграции Apache Spark и YTsaurus
Как у Spark, так и у YTsaurus регулярно выходят новые версии, которые расширяют набор предоставляемых этими инструментами возможностей. Одна из основных задач команды — постоянно интегрировать их, чтобы обеспечивать наиболее эффективное взаимодействие. Кроме того, мы проводим регулярные бенчмарки, в ходе которых определяем проблемные зоны в интеграции и устраняем их.

Расширение области применения инструмента
Мы находимся в тесном контакте с дата-инженерами — как с теми, кто работает в Яндексе, так и с опенсорс-пользователями: помогаем им наиболее эффективно решать задачи при помощи нашего инструмента. На основе обратной связи от них, а также общих трендов развития инструментов для дата-инженерии мы регулярно актуализируем план дальнейшей интеграции.

Продвижение опенсорс-проекта
С 2023 года код YTsaurus, в том числе и SPYT, есть в открытом доступе, поэтому мы активно работаем над развитием внешнего комьюнити вокруг проекта.

Мы ждём, что вы

• Работали с Apache Spark не менее трёх лет и знаете, как добиться от него максимальной эффективности
• Умеете разрабатывать под JVM на Java и Scala, а также на Python
• Понимаете принципы распределённого хранения и обработки больших объёмов данных

Будет плюсом, если вы

• Работали с Hadoop-стеком (HDFS, YARN)
• Работали с Docker и Kubernetes
• Принимали участие в работе над опенсорс-проектом
• Знаете C++

Больше о команде

Мы искренне увлечены большими распределёнными системами и сложными техническими задачами. Многие из нас имеют академический опыт и до сих пор активно преподают — в МФТИ, ВШЭ и других вузах, а также в ШАДе. Несколько человек из нашей команды занимали призовые места в соревнованиях по спортивному программированию.

У нас сохраняется дух стартапа: дружно общаемся в рабочее и нерабочее время, вместе штурмуем задачи, экспериментируем и участвуем в CTF.