在ACK Serverless集群中，您可以按需按量创建Pod。当Pod结束后停止收费，无需为Spark计算任务预留计算资源，从而摆脱集群计算力不足和扩容的烦扰，同时结合抢占式实例可以降低任务的计算成本。本文主要为您介绍如何通过ACK Serverless按需创建Spark计算任务。
前提条件
已创建ACK Serverless集群。具体操作，请参见创建ACK Serverless集群。
已通过Kubectl工具连接ACK Serverless集群。具体操作，请参见通过kubectl连接Kubernetes集群。
操作步骤
部署ack-spark-operator Chart，可以通过以下两种方式：
在容器服务管理控制台的导航栏中选择，通过选择ack-spark-operator来进行部署。
通过helm命令行手动安装。
说明要求Helm的版本不低于V3。
#创建Service account。 kubectl create serviceaccount spark #绑定权限。 kubectl create clusterrolebinding spark-role --clusterrole=edit --serviceaccount=default:spark --namespace=default #安装Operator。 helm repo add incubator http://storage.googleapis.com/kubernetes-charts-incubator helm install incubator/sparkoperator --namespace default --set operatorImageName=registry.cn-hangzhou.aliyuncs.com/acs/spark-operator --set operatorVersion=ack-2.4.5-latest --generate-name
部署后可以执行以下命令确认spark-operator已经启动成功。
kubectl -n spark-operator get pod预期输出：
NAME READY STATUS RESTARTS AGE ack-spark-operator-7698586d7b-pvwln 1/1 Running 0 5m9s ack-spark-operator-init-26tvh 0/1 Completed 0 5m9s创建spark-pi.yaml文件并拷贝以下内容到该文件。
apiVersion: "sparkoperator.k8s.io/v1beta2" kind: SparkApplication metadata: name: spark-pi namespace: default spec: arguments: - "1000" sparkConf: "spark.scheduler.maxRegisteredResourcesWaitingTime": "3000s" "spark.kubernetes.allocation.batch.size": "1" "spark.rpc.askTimeout": "36000s" "spark.network.timeout": "36000s" "spark.rpc.lookupTimeout": "36000s" "spark.core.connection.ack.wait.timeout": "36000s" "spark.executor.heartbeatInterval": "10000s" type: Scala mode: cluster image: "registry.aliyuncs.com/acs/spark:ack-2.4.5-latest" imagePullPolicy: Always mainClass: org.apache.spark.examples.SparkPi mainApplicationFile: "local:///opt/spark/examples/jars/spark-examples_2.11-2.4.5.jar" sparkVersion: "2.4.5" restartPolicy: type: Never args: driver: cores: 4 coreLimit: "4" annotations: k8s.aliyun.com/eci-image-cache: "true" memory: "6g" memoryOverhead: "2g" labels: version: 2.4.5 serviceAccount: spark executor: annotations: k8s.aliyun.com/eci-image-cache: "true" cores: 2 instances: 1 memory: "3g" memoryOverhead: "1g" labels: version: 2.4.5部署Spark计算任务。
执行以下命令，部署Spark计算任务。
kubectl apply -f spark-pi.yaml预期输出：
sparkapplication.sparkoperator.k8s.io/spark-pi created执行以下命令，查看Spark计算任务的部署状态。
kubectl get pod预期输出：
NAME READY STATUS RESTARTS AGE spark-pi-driver 1/1 Running 0 2m12s从预期输出可得，Pod的运行状态为Running，表示正在部署Spark计算任务。
执行以下命令，再次查看Spark计算任务的部署状态。
kubectl get pod预期输出：
NAME READY STATUS RESTARTS AGE spark-pi-driver 0/1 Completed 0 2m54s从预期输出可得，Pod的运行状态为Completed，表示Spark计算任务已部署完成。
执行以下命令，查看Spark任务的计算结果。
kubectl logs spark-pi-driver|grep Pi预期输出：
20/04/30 07:27:51 INFO DAGScheduler: ResultStage 0 (reduce at SparkPi.scala:38) finished in 11.031 s 20/04/30 07:27:51 INFO DAGScheduler: Job 0 finished: reduce at SparkPi.scala:38, took 11.137920 s Pi is roughly 3.1414371514143715可选：通过给Pod加上抢占式实例的Annotation，使用抢占式实例。
关于抢占式实例Annotation的用法，请参见使用抢占式实例。