Executar cargas de trabalho do Dataproc sem servidor com o Cloud Composer

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

Nesta página, descrevemos como usar o Cloud Composer 2 para executar cargas de trabalho do Dataproc sem servidor emGoogle Cloud.

Os exemplos nas seções a seguir mostram como usar operadores para gerenciar cargas de trabalho em lote sem servidor do Dataproc. Você usa esses operadores em DAGs que criam, excluem, listam e recebem uma carga de trabalho em lote do Spark sem servidor do Dataproc:

Antes de começar

  1. Ative a API Dataproc:

    Console

    Enable the Dataproc API.

    Enable the API

    gcloud

    Enable the Dataproc API: 

    gcloud services enable dataproc.googleapis.com

  2. Selecione o local do arquivo de carga de trabalho em lote. Você pode usar qualquer uma das seguintes opções:

    • Crie um bucket do Cloud Storage para armazenar esse arquivo.
    • Use o bucket do ambiente. Como não é necessário sincronizar esse arquivo com o Airflow, crie uma subpasta separada fora das pastas /dags ou /data. Por exemplo, /batches.
    • Use um bucket atual.

Configurar arquivos e variáveis do Airflow

Nesta seção, mostramos como configurar arquivos e variáveis do Airflow para este tutorial.

Fazer upload de um arquivo de carga de trabalho do Spark ML sem servidor do Dataproc para um bucket

A carga de trabalho neste tutorial executa um script pyspark:

  1. Salve qualquer script pyspark em um arquivo local chamado spark-job.py. Por exemplo, use o script pyspark de amostra.

  2. Faça upload do arquivo para o local selecionado em Antes de começar.

definir variáveis do Airflow

Os exemplos nas seções a seguir usam variáveis do Airflow. Você define valores para essas variáveis no Airflow, e o código do DAG pode acessar esses valores.

Os exemplos neste tutorial usam as seguintes variáveis do Airflow. É possível definir esses valores conforme necessário, dependendo do exemplo usado.

Defina as seguintes variáveis do Airflow para uso no código do DAG:

Use o console Google Cloud e a interface do Airflow para definir cada variável do Airflow

  1. No console Google Cloud , acesse a página Ambientes.

    Acessar "Ambientes"

  2. Na lista de ambientes, clique no link Airflow do seu ambiente. A interface do Airflow é aberta.

  3. Na interface do Airflow, selecione Admin > Variables.

  4. Clique em Add a new record.

  5. Especifique o nome da variável no campo Chave e defina o valor dela no campo Val.

  6. Clique em Salvar.

Crie um servidor de histórico permanente

Use um servidor de histórico permanente (PHS) para ver os arquivos de histórico do Spark das suas cargas de trabalho em lote:

  1. Crie um servidor de histórico permanente.
  2. Verifique se você especificou o nome do cluster do PHS na variável do Airflow phs_cluster.

DataprocCreateBatchOperator

O DAG a seguir inicia uma carga de trabalho em lote sem servidor do Dataproc.

Para mais informações sobre argumentos DataprocCreateBatchOperator, consulte o código-fonte do operador.

Para mais informações sobre atributos que podem ser transmitidos no parâmetro batch de DataprocCreateBatchOperator, consulte a descrição da classe Batch.


"""
Examples below show how to use operators for managing Dataproc Serverless batch workloads.
 You use these operators in DAGs that create, delete, list, and get a Dataproc Serverless Spark batch workload.
https://airflow.apache.org/docs/apache-airflow/stable/concepts/variables.html
* project_id is the Google Cloud Project ID to use for the Cloud Dataproc Serverless.
* bucket_name is the URI of a bucket where the main python file of the workload (spark-job.py) is located.
* phs_cluster is the Persistent History Server cluster name.
* image_name is the name and tag of the custom container image (image:tag).
* metastore_cluster is the Dataproc Metastore service name.
* region_name is the region where the Dataproc Metastore service is located.
"""

import datetime

from airflow import models
from airflow.providers.google.cloud.operators.dataproc import (
    DataprocCreateBatchOperator,
    DataprocDeleteBatchOperator,
    DataprocGetBatchOperator,
    DataprocListBatchesOperator,
)
from airflow.utils.dates import days_ago

PROJECT_ID = "{{ var.value.project_id }}"
REGION = "{{ var.value.region_name}}"
BUCKET = "{{ var.value.bucket_name }}"
PHS_CLUSTER = "{{ var.value.phs_cluster }}"
METASTORE_CLUSTER = "{{var.value.metastore_cluster}}"
DOCKER_IMAGE = "{{var.value.image_name}}"

PYTHON_FILE_LOCATION = "gs://{{var.value.bucket_name }}/spark-job.py"
# for e.g.  "gs//my-bucket/spark-job.py"
# Start a single node Dataproc Cluster for viewing Persistent History of Spark jobs
PHS_CLUSTER_PATH = "projects/{{ var.value.project_id }}/regions/{{ var.value.region_name}}/clusters/{{ var.value.phs_cluster }}"
# for e.g. projects/my-project/regions/my-region/clusters/my-cluster"
SPARK_BIGQUERY_JAR_FILE = "gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar"
# use this for those pyspark jobs that need a spark-bigquery connector
# https://cloud.google.com/dataproc/docs/tutorials/bigquery-connector-spark-example
# Start a Dataproc MetaStore Cluster
METASTORE_SERVICE_LOCATION = "projects/{{var.value.project_id}}/locations/{{var.value.region_name}}/services/{{var.value.metastore_cluster }}"
# for e.g. projects/my-project/locations/my-region/services/my-cluster
CUSTOM_CONTAINER = "us.gcr.io/{{var.value.project_id}}/{{ var.value.image_name}}"
# for e.g. "us.gcr.io/my-project/quickstart-image",

default_args = {
    # Tell airflow to start one day ago, so that it runs as soon as you upload it
    "start_date": days_ago(1),
    "project_id": PROJECT_ID,
    "region": REGION,
}
with models.DAG(
    "dataproc_batch_operators",  # The id you will see in the DAG airflow page
    default_args=default_args,  # The interval with which to schedule the DAG
    schedule_interval=datetime.timedelta(days=1),  # Override to match your needs
) as dag:
    create_batch = DataprocCreateBatchOperator(
        task_id="batch_create",
        batch={
            "pyspark_batch": {
                "main_python_file_uri": PYTHON_FILE_LOCATION,
                "jar_file_uris": [SPARK_BIGQUERY_JAR_FILE],
            },
            "environment_config": {
                "peripherals_config": {
                    "spark_history_server_config": {
                        "dataproc_cluster": PHS_CLUSTER_PATH,
                    },
                },
            },
        },
        batch_id="batch-create-phs",
    )
    list_batches = DataprocListBatchesOperator(
        task_id="list-all-batches",
    )

    get_batch = DataprocGetBatchOperator(
        task_id="get_batch",
        batch_id="batch-create-phs",
    )
    delete_batch = DataprocDeleteBatchOperator(
        task_id="delete_batch",
        batch_id="batch-create-phs",
    )
    create_batch >> list_batches >> get_batch >> delete_batch

Usar imagem de contêiner personalizada com DataprocCreateBatchOperator

O exemplo a seguir mostra como usar uma imagem de contêiner personalizada para executar suas cargas de trabalho. É possível usar um contêiner personalizado, por exemplo, para adicionar dependências do Python não fornecidas pela imagem de contêiner padrão.

Para usar uma imagem de contêiner personalizada:

  1. Crie uma imagem de contêiner personalizada e faça upload dela para o Container Registry.

  2. Especifique a imagem na variável do Airflow image_name.

  3. Use o DataprocCreateBatchOperator com sua imagem personalizada:

create_batch_with_custom_container = DataprocCreateBatchOperator(
    task_id="dataproc_custom_container",
    batch={
        "pyspark_batch": {
            "main_python_file_uri": PYTHON_FILE_LOCATION,
            "jar_file_uris": [SPARK_BIGQUERY_JAR_FILE],
        },
        "environment_config": {
            "peripherals_config": {
                "spark_history_server_config": {
                    "dataproc_cluster": PHS_CLUSTER_PATH,
                },
            },
        },
        "runtime_config": {
            "container_image": CUSTOM_CONTAINER,
        },
    },
    batch_id="batch-custom-container",
)
get_batch_custom = DataprocGetBatchOperator(
    task_id="get_batch_custom",
    batch_id="batch-custom-container",
)
delete_batch_custom = DataprocDeleteBatchOperator(
    task_id="delete_batch_custom",
    batch_id="batch-custom-container",
)
create_batch_with_custom_container >> get_batch_custom >> delete_batch_custom

Usar o serviço metastore do Dataproc com o DataprocCreateBatchOperator

Para usar um serviço do metastore do Dataproc em um DAG:

  1. Verifique se o serviço de metastore já foi iniciado.

    Para saber como iniciar um serviço de metastore, consulte Ativar e desativar o metastore do Dataproc.

    Para informações detalhadas sobre o operador de lote para criar a configuração, consulte PeripheralsConfig.

  2. Depois que o serviço do metastore estiver funcionando, especifique o nome dele na variável metastore_cluster e a região na region_name variável do Airflow.

  3. Use o serviço metastore em DataprocCreateBatchOperator:

create_batch_with_metastore = DataprocCreateBatchOperator(
    task_id="dataproc_metastore",
    batch={
        "pyspark_batch": {
            "main_python_file_uri": PYTHON_FILE_LOCATION,
            "jar_file_uris": [SPARK_BIGQUERY_JAR_FILE],
        },
        "environment_config": {
            "peripherals_config": {
                "metastore_service": METASTORE_SERVICE_LOCATION,
                "spark_history_server_config": {
                    "dataproc_cluster": PHS_CLUSTER_PATH,
                },
            },
        },
    },
    batch_id="dataproc-metastore",
)
get_batch_metastore = DataprocGetBatchOperator(
    task_id="get_batch_metatstore",
    batch_id="dataproc-metastore",
)
delete_batch_metastore = DataprocDeleteBatchOperator(
    task_id="delete_batch_metastore",
    batch_id="dataproc-metastore",
)

create_batch_with_metastore >> get_batch_metastore >> delete_batch_metastore

DataprocDeleteBatchOperator

É possível usar o DataprocDeleteBatchOperator para excluir um lote com base no ID da carga de trabalho.

delete_batch = DataprocDeleteBatchOperator(
    task_id="delete_batch",
    batch_id="batch-create-phs",
)

DataprocListBatchesOperator

O DataprocDeleteBatchOperator lista os lotes que existem em um determinado project_id e região.

list_batches = DataprocListBatchesOperator(
    task_id="list-all-batches",
)

DataprocGetBatchOperator

O DataprocGetBatchOperator busca uma carga de trabalho em lote específica.

get_batch = DataprocGetBatchOperator(
    task_id="get_batch",
    batch_id="batch-create-phs",
)

A seguir