К основному содержанию
скилл Claude Code CX Codex Cursor GitHub Copilot

spark-engineer — скилл для Claude Code: что делает и как установить

Пишет PySpark-джобы и разбирает их тормоза: DataFrame, Spark SQL, перекос ключей, стриминг. Пригодится, когда джоб упирается в шуфл или падает по памяти.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add Jeffallan/claude-skills --skill spark-engineer -a claude-code
Открыть на GitHub

Что делает spark-engineer

Скилл даёт агенту роль старшего инженера по Apache Spark: разобрать требования, выбрать DataFrame или RDD, написать джоб, а потом тюнить шуфлы. Основа — SKILL.md с рабочим процессом по шагам и таблица, по которой агент решает, какой файл из references/ подгрузить: Spark SQL и DataFrame, операции RDD, партиционирование и кеш, тюнинг, стриминг.

Внутри же лежат готовые куски кода: мини-пайплайн на PySpark с явной схемой, broadcast join для маленькой таблицы измерений, salting от перекоса, шаблон кеша с unpersist(). Ставится одной командой, а флаг -a переключает платформу: codex, cursor, gemini-cli, opencode.

Слабое место — шаг проверки. Скилл смотрит в Spark UI на shuffle spill и сверяет число партиций через df.rdd.getNumPartitions(); без доступа к интерфейсу приложения эта петля не работает. Это повод заранее решить, откуда вы будете смотреть UI, иначе тюнинг идёт вслепую.

Какие задачи решает

  • переписать join с перекосом ключей через salting
  • подобрать spark.sql.shuffle.partitions под свой кластер
  • убрать UDF там, где хватает встроенных функций
  • прочитать .parquet с явной схемой вместо вывода типов
  • собрать structured streaming с watermark и checkpoint

Примеры запросов агенту

  • Разбери мой PySpark-джоб: на join по `user_id` перекос, посмотри план и предложи, как пересолить ключи.
  • Перепиши этот Spark SQL на DataFrame API и подбери число shuffle-партиций под мой кластер.
  • Добавь в пайплайн structured streaming с watermark и checkpoint, потом проверь partition count у результата.

Как установить spark-engineer

1Через Skills CLI (Vercel)

npx skills add Jeffallan/claude-skills --skill spark-engineer -a claude-code

2Вручную: положить файлы

~/.claude/skills/spark-engineer/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/spark-engineer/

Из того же набора61

Весь набор →
laravel-specialist https://github.com/Jeffallan Настраивает агента на разработку бэкенда на Laravel 10+ и PHP 8.2+. Помогает писать модели Eloquent, очереди Horizon, API resources и тесты Pest. Claude Code CX Codex Cursor +1 23 300установок golang-pro https://github.com/Jeffallan Скилл помогает писать идиоматичный Go: разбирать конкурентный код, строить микросервисы и проверять производительность. Пригодится для goroutines, gRPC и тестов. Claude Code CX Codex Cursor +1 18 900установок php-pro https://github.com/Jeffallan Задаёт правила разработки на PHP 8.3+ для Laravel и Symfony: включает strict_types, анализ в PHPStan на уровне 9 и тесты PHPUnit или Pest. Claude Code CX Codex Cursor +1 15 500установок flutter-expert https://github.com/Jeffallan Скилл для разработки кросс-платформных приложений на Flutter 3+ и Dart. Помогает с виджетами, управлением состоянием через Riverpod или Bloc, маршрутизацией GoRouter и оптимизацией производительности. Claude Code CX Codex Cursor +1 14 300установок typescript-pro https://github.com/Jeffallan Настраивает строгую типизацию TypeScript, генерирует брендированные типы и связывает tRPC. Пригодится при проектировании надёжных API и сложных generic-структур. Claude Code CX Codex Cursor +1 14 200установок kubernetes-specialist https://github.com/Jeffallan Скилл помогает создавать и проверять Kubernetes-манифесты, настраивать безопасность и разбирать сбои подов. Пригодится для деплоя и сопровождения кластерных workloads. Claude Code CX Codex Cursor +1 14 100установок devops-engineer https://github.com/Jeffallan Скилл создаёт Dockerfile, CI/CD-конфигурации и манифесты Kubernetes. Нужен для инфраструктуры, деплоя и разбора инцидентов. Claude Code CX Codex Cursor +1 11 200установок wordpress-pro https://github.com/Jeffallan Скилл помогает разрабатывать темы и плагины WordPress, блоки Gutenberg и магазины WooCommerce. Нужен для задач с REST API, хуками, безопасностью и производительностью. Claude Code CX Codex Cursor +1 9 700установок

Похожие

V3 Memory Unification ruvnet Сводит семь слоёв памяти агента в один бэкенд AgentDB с индексом HNSW: запись через единый сервис, семантический поиск по векторам. Claude Code CX Codex Cursor +1 1 100установок AgentDB Memory Patterns ruvnet Скилл добавляет ИИ-агентам долговременную память: AgentDB сохраняет историю сеансов, учится на диалогах и восстанавливает контекст между запусками. Claude Code CX Codex Cursor +1 1 100установок AgentDB Vector Search ruvnet Скилл для быстрого семантического поиска документов через векторную базу AgentDB. Используй для RAG-систем, поисковых движков и баз знаний, где нужна релевантная выборка из больших объёмов текста. Claude Code CX Codex Cursor +1 1 100установок file-conversion Seth Hobson Конвертирует локальные медиафайлы, документы и таблицы без отправки во внешние API. Работает через FFmpeg, ImageMagick, Pandoc и LibreOffice. Claude Code CX Codex Cursor 3 100установок arize-dataset официальный arize Скилл управляет датасетами Arize и примерами через ax. Он пригодится для тестовых наборов и оценки AI-приложений. GitHub Copilot 1 100установок arize-annotation официальный arize Создаёт схемы меток и очереди проверки в Arize, а также обновляет аннотации спанов через Python SDK. Нужен для разметки людьми. GitHub Copilot 1 100установок xlsx официальный anthropics Работает с табличными файлами: создаёт, читает, правит и преобразует книги. Подходит, когда итогом должен стать файл Excel или другой табличный формат. Claude Code Claude.ai 187 223установок google-agents-cli-observability официальный Google Помогает настроить трассировку и сбор данных о работе ИИ-агентов, включая агентов на ADK. Пригодится, когда нужно разбирать выполнение запросов или наблюдать за агентом после развёртывания. Claude Code CX Codex Cursor +1 509 900установок

Вопросы о spark-engineer

Как установить spark-engineer в Claude Code?

Выполните npx skills add Jeffallan/claude-skills --skill spark-engineer -a claude-code. Файл скилла окажется по пути ~/.claude/skills/spark-engineer/SKILL.md.

Что делает spark-engineer?

Ведёт агента по циклу работы со Spark: анализ требований, выбор DataFrame или RDD, реализация, тюнинг шуфлов и перекоса, проверка по метрикам. На выходе — код, настройки executor'ов и объяснение стратегии партиционирования.

Нужен ли Spark UI, чтобы скилл отработал?

На этапе проверки он смотрит в Spark UI на shuffle spill и сверяет число партиций через df.rdd.getNumPartitions(). Если интерфейс приложения недоступен, эта проверка не выполняется и цикл тюнинга обрывается.

Исходный текст

SKILL.md · MIT
---
name: spark-engineer
description: Use when writing Spark jobs, debugging performance issues, or configuring cluster settings for Apache Spark applications, distributed data processing pipelines, or big data workloads. Invoke to write DataFrame transformations, optimize Spark SQL queries, implement RDD pipelines, tune shuffle operations, configure executor memory, process .parquet files, handle data partitioning, or build structured streaming analytics.
license: MIT
metadata:
  author: https://github.com/Jeffallan
  company: https://synergetic.solutions
  version: "1.1.0"
  domain: data-ml
  triggers: Apache Spark, PySpark, Spark SQL, distributed computing, big data, DataFrame API, RDD, Spark Streaming, structured streaming, data partitioning, Spark performance, cluster computing, data processing pipeline
  role: expert
  scope: implementation
  output-format: code
  related-skills: python-pro, sql-pro, devops-engineer
---

# Spark Engineer

Senior Apache Spark engineer specializing in high-performance distributed data processing, optimizing large-scale ETL pipelines, and building production-grade Spark applications.

## Core Workflow

1. **Analyze requirements** - Understand data volume, transformations, latency requirements, cluster resources
2. **Design pipeline** - Choose DataFrame vs RDD, plan partitioning strategy, identify broadcast opportunities
3. **Implement** - Write Spark code with optimized transformations, appropriate caching, proper error handling
4. **Optimize** - Analyze Spark UI, tune shuffle partitions, eliminate skew, optimize joins and aggregations
5. **Validate** - Check Spark UI for shuffle spill before proceeding; verify partition count with `df.rdd.getNumPartitions()`; if spill or skew detected, return to step 4; test with production-scale data, monitor resource usage, verify performance targets

## Reference Guide

Load detailed guidance based on context:

| Topic | Reference | Load When |
|-------|-----------|-----------|
| Spark SQL & DataFrames | `references/spark-sql-dataframes.md` | DataFrame API, Spark SQL, schemas, joins, aggregations |
| RDD Operations | `references/rdd-operations.md` | Transformations, actions, pair RDDs, custom partitioners |
| Partitioning & Caching | `references/partitioning-caching.md` | Data partitioning, persistence levels, broadcast variables |
| Performance Tuning | `references/performance-tuning.md` | Configuration, memory tuning, shuffle optimization, skew handling |
| Streaming Patterns | `references/streaming-patterns.md` | Structured Streaming, watermarks, stateful operations, sinks |

## Code Examples

### Quick-Start Mini-Pipeline (PySpark)

```python
from pyspark.sql import SparkSession
from pyspark.sql import functions as F
from pyspark.sql.types import StructType, StructField, StringType, LongType, DoubleType

spark = SparkSession.builder \
    .appName("example-pipeline") \
    .config("spark.sql.shuffle.partitions", "400") \
    .config("spark.sql.adaptive.enabled", "true") \
    .getOrCreate()

# Always define explicit schemas in production
schema = StructType([
    StructField("user_id", StringType(), False),
    StructField("event_ts", LongType(), False),
    StructField("amount", DoubleType(), True),
])

df = spark.read.schema(schema).parquet("s3://bucket/events/")

result = df \
    .filter(F.col("amount").isNotNull()) \
    .groupBy("user_id") \
    .agg(F.sum("amount").alias("total_amount"), F.count("*").alias("event_count"))

# Verify partition count before writing
print(f"Partition count: {result.rdd.getNumPartitions()}")

result.write.mode("overwrite").parquet("s3://bucket/output/")
```

### Broadcast Join (small dimension table < 200 MB)

```python
from pyspark.sql.functions import broadcast

# Spark will automatically broadcast dim_table; hint makes intent explicit
enriched = large_fact_df.join(broadcast(dim_df), on="product_id", how="left")
```

### Handling Data Skew with Salting

```python
import pyspark.sql.functions as F

SALT_BUCKETS = 50

# Add salt to the skewed key on both sides
skewed_df = skewed_df.withColumn("salt", (F.rand() * SALT_BUCKETS).cast("int")) \
    .withColumn("salted_key", F.concat(F.col("skewed_key"), F.lit("_"), F.col("salt")))

other_df = other_df.withColumn("salt", F.explode(F.array([F.lit(i) for i in range(SALT_BUCKETS)]))) \
    .withColumn("salted_key", F.concat(F.col("skewed_key"), F.lit("_"), F.col("salt")))

result = skewed_df.join(other_df, on="salted_key", how="inner") \
    .drop("salt", "salted_key")
```

### Correct Caching Pattern

```python
# Cache ONLY when the DataFrame is reused multiple times
df_cleaned = df.filter(...).withColumn(...).cache()
df_cleaned.count()  # Materialize immediately; check Spark UI for spill

report_a = df_cleaned.groupBy("region").agg(...)
report_b = df_cleaned.groupBy("product").agg(...)

df_cleaned.unpersist()  # Release when done
```

## Constraints

### MUST DO
- Use DataFrame API over RDD for structured data processing
- Define explicit schemas for production pipelines
- Partition data appropriately (200-1000 partitions per executor core)
- Cache intermediate results only when reused multiple times
- Use broadcast joins for small dimension tables (<200MB)
- Handle data skew with salting or custom partitioning
- Monitor Spark UI for shuffle, spill, and GC metrics
- Test with production-scale data volumes

### MUST NOT DO
- Use collect() on large datasets (causes OOM)
- Skip schema definition and rely on inference in production
- Cache every DataFrame without measuring benefit
- Ignore shuffle partition tuning (default 200 often wrong)
- Use UDFs when built-in functions available (10-100x slower)
- Process small files without coalescing (small file problem)
- Run transformations without understanding lazy evaluation
- Ignore data skew warnings in Spark UI

## Output Templates

When implementing Spark solutions, provide:
1. Complete Spark code (PySpark or Scala) with type hints/types
2. Configuration recommendations (executors, memory, shuffle partitions)
3. Partitioning strategy explanation
4. Performance analysis (expected shuffle size, memory usage)
5. Monitoring recommendations (key Spark UI metrics to watch)

## Knowledge Reference

Spark DataFrame API, Spark SQL, RDD transformations/actions, catalyst optimizer, tungsten execution engine, partitioning strategies, broadcast variables, accumulators, structured streaming, watermarks, checkpointing, Spark UI analysis, memory management, shuffle optimization

Maintained by [@jeffallan](https://github.com/jeffallan), Principal Consultant at [Synergetic Solutions](https://synergetic.solutions)

[Documentation](https://jeffallan.github.io/claude-skills/skills/data-ml/spark-engineer/)

© https://github.com/Jeffallan · MIT · Jeffallan/claude-skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой