Cloud Composer 1 | Cloud Composer 2
Questa pagina descrive come utilizzare Cloud Composer 2 per eseguire carichi di lavoro Dataproc Serverless su Google Cloud.
Gli esempi nelle sezioni seguenti mostrano come utilizzare gli operatori per la gestione dei carichi di lavoro batch di Dataproc Serverless. Utilizza questi operatori nei DAG che creano, eliminano, elencano e ricevono un carico di lavoro batch di Dataproc Serverless Spark:
Crea DAG per gli operatori che lavorano con carichi di lavoro batch serverless Dataproc:
Crea DAG che utilizzano container personalizzati e Dataproc Metastore.
Configura il server di cronologia permanente per questi DAG.
Prima di iniziare
Abilita l'API Dataproc:
Console
Attiva l'API Dataproc.
gcloud
Attiva l'API Dataproc.
gcloud services enable dataproc.googleapis.com
Seleziona la posizione per il file del carico di lavoro Batch. Puoi utilizzare una delle seguenti opzioni:
- Crea un bucket Cloud Storage in cui venga archiviato questo file.
- Utilizza il bucket del tuo ambiente. Poiché non è necessario sincronizzare questo file con Airflow, puoi creare una sottocartella separata all'esterno delle cartelle
/dags
o/data
. Ad esempio:/batches
. - Utilizza un bucket esistente.
Configurazione di file e variabili Airflow
Questa sezione mostra come impostare i file e le variabili Airflow per questo tutorial.
Carica un file di carico di lavoro Spark ML serverless di Dataproc in un bucket
Il carico di lavoro in questo tutorial esegue uno script pyspark:
Salva qualsiasi script pyspark in un file locale denominato
spark-job.py
. Ad esempio, puoi utilizzare lo script pyspark di esempio.Carica il file nella posizione selezionata in Prima di iniziare.
Imposta le variabili Airflow
Gli esempi nelle sezioni seguenti utilizzano le variabili Airflow. Se imposti i valori di queste variabili in Airflow, il codice DAG potrà accedere a questi valori.
Gli esempi di questo tutorial utilizzano le seguenti variabili Airflow. Puoi impostarli come necessario, a seconda dell'esempio utilizzato.
Imposta le seguenti variabili Airflow da utilizzare nel codice DAG:
project_id
: ID progetto.bucket_name
: URI di un bucket in cui si trova il file Python principale del carico di lavoro (spark-job.py
). Hai selezionato questa località in Prima di iniziare.phs_cluster
: nome del cluster del server di cronologia permanente. Puoi impostare questa variabile quando crei un server di cronologia permanente.image_name
: nome e tag dell'immagine container personalizzata (image:tag
). Imposta questa variabile quando utilizzi l'immagine container personalizzata con DataprocCreateBatchOperator.metastore_cluster
: nome del servizio Dataproc Metastore. Imposta questa variabile quando utilizzi il servizio Dataproc Metastore con DataprocCreateBatchOperator.region_name
: regione in cui si trova il servizio Dataproc Metastore. Imposta questa variabile quando utilizzi il servizio Dataproc Metastore con DataprocCreateBatchOperator.
Utilizzare la console Google Cloud e la UI di Airflow per impostare ogni variabile di Airflow
Nella console Google Cloud, vai alla pagina Ambienti.
Nell'elenco degli ambienti, fai clic sul link Airflow per il tuo ambiente. Si apre la UI di Airflow.
Nella UI di Airflow, seleziona Amministrazione > Variabili.
Fai clic su Add a new record (Aggiungi un nuovo record).
Specifica il nome della variabile nel campo Chiave e impostane il valore nel campo Val.
Fai clic su Salva.
Crea un server di cronologia permanente
Utilizza un server di cronologia permanente (PHS) per visualizzare i file di cronologia Spark dei carichi di lavoro batch:
- Crea un server di cronologia permanente.
- Assicurati di aver specificato il nome del cluster PHS nella
phs_cluster
variabile Airflow.
DataprocCreateBatchOperator
Il seguente DAG avvia un carico di lavoro batch Dataproc Serverless.
Per maggiori informazioni sugli argomenti DataprocCreateBatchOperator
, consulta il
codice sorgente dell'operatore.
Per ulteriori informazioni sugli attributi che puoi passare nel parametro batch
di DataprocCreateBatchOperator
, consulta la descrizione della classe Batch.
Utilizzare l'immagine container personalizzata con DataprocCreateBatchOperator
L'esempio seguente mostra come utilizzare un'immagine container personalizzata per eseguire i carichi di lavoro. Puoi utilizzare un container personalizzato, ad esempio, per aggiungere dipendenze Python non fornite dall'immagine container predefinita.
Per utilizzare un'immagine container personalizzata:
Crea un'immagine container personalizzata e caricala in Container Registry.
Specifica l'immagine nella variabile Airflow
image_name
.Utilizza DataprocCreateBatchOperator con l'immagine personalizzata:
Utilizzo del servizio Dataproc Metastore con DataprocCreateBatchOperator
Per utilizzare un servizio Dataproc Metastore da un DAG:
Verifica che il servizio metastore sia già avviato.
Per scoprire di più sull'avvio di un servizio metastore, consulta Abilitare e disabilitare Dataproc Metastore.
Per informazioni dettagliate sull'operatore batch per la creazione della configurazione, consulta PeripheralsConfig.
Una volta che il servizio metastore è in esecuzione, specificane il nome nella variabile
metastore_cluster
e la sua regione nella variabile Airflowregion_name
.Utilizza il servizio metastore in DataprocCreateBatchOperator:
DataprocDeleteBatchOperator
Puoi utilizzare DataprocDeleteBatchOperator per eliminare un batch in base all'ID batch del carico di lavoro.
DataprocListBatchesOperator
DataprocDeleteBatchOperator elenca i batch esistenti all'interno di una regione e di un project_id specifici.
DataprocGetBatchOperator
DataprocGetBatchOperator recupera un determinato carico di lavoro batch.