Cloud Composer 1 dalam mode pasca-pemeliharaan. Google tidak merilis update lebih lanjut untuk Cloud Composer 1, termasuk versi baru Airflow, perbaikan bug, dan update keamanan. Sebaiknya rencanakan migrasi ke Cloud Composer 2.

Menjalankan workload Dataproc Serverless dengan Cloud Composer

Cloud Composer 1 | Cloud Composer 2

Halaman ini menjelaskan cara menggunakan Cloud Composer 2 untuk menjalankan workload Dataproc Serverless di Google Cloud.

Contoh di bagian berikut menunjukkan cara menggunakan operator untuk mengelola beban kerja batch Dataproc Serverless. Gunakan operator ini di DAG yang membuat, menghapus, mencantumkan, dan mendapatkan beban kerja batch Dataproc Serverless Spark:

Buat DAG untuk operator yang bekerja dengan beban kerja Dataproc Serverless Batch:
Buat DAG yang menggunakan container kustom, dan Metastore Dataproc.
Konfigurasi Server Histori Persistent untuk DAG ini.

Sebelum memulai

Aktifkan Dataproc API:
Konsol

Enable the Dataproc API.
Enable the API
gcloud

Enable the Dataproc API:
```
gcloud services enable dataproc.googleapis.com
```
Pilih lokasi untuk file beban kerja Batch Anda. Anda dapat menggunakan salah satu opsi berikut:
- Buat bucket Cloud Storage yang menyimpan file ini.
- Gunakan bucket lingkungan Anda. Karena tidak perlu menyinkronkan file ini dengan Airflow, Anda dapat membuat subfolder terpisah di luar folder /dags atau /data. Misalnya, /batches.
- Gunakan bucket yang ada.

Menyiapkan file dan variabel Airflow

Bagian ini menunjukkan cara menyiapkan file dan mengonfigurasi variabel Airflow untuk tutorial ini.

Upload file beban kerja Dataproc Serverless Spark ML ke bucket

Beban kerja dalam tutorial ini menjalankan skrip pyspark:

Simpan skrip pyspark apa pun ke file lokal yang bernama spark-job.py. Misalnya, Anda dapat menggunakan contoh skrip pyspark.
Upload file ke lokasi yang Anda pilih di bagian Sebelum memulai.

Menetapkan variabel Airflow

Contoh di bagian berikut ini menggunakan variabel Airflow. Anda dapat menetapkan nilai untuk variabel ini di Airflow, lalu kode DAG dapat mengakses nilai ini.

Contoh dalam tutorial ini menggunakan variabel Airflow berikut. Anda dapat menyetelnya sesuai kebutuhan, bergantung pada contoh yang Anda gunakan.

Tetapkan variabel Airflow berikut untuk digunakan dalam kode DAG Anda:

project_id: Project ID.
bucket_name: URI bucket tempat file python utama beban kerja (spark-job.py) berada. Anda memilih lokasi ini di bagian Sebelum memulai.
phs_cluster: Nama cluster Server Histori Persisten. Anda menetapkan variabel ini saat Membuat Server Histori Persisten.
image_name: nama dan tag image penampung kustom (image:tag). Anda menetapkan variabel ini saat menggunakan image penampung kustom dengan DataprocCreateBatchOperator.
metastore_cluster: Nama layanan Dataproc Metastore. Anda menetapkan variabel ini saat menggunakan layanan Metastore Dataproc dengan DataprocCreateBatchOperator.
region_name: region tempat layanan Dataproc Metastore berada. Anda menetapkan variabel ini saat menggunakan layanan Metastore Dataproc dengan DataprocCreateBatchOperator.

Gunakan konsol Google Cloud dan UI Airflow untuk menetapkan setiap variabel Airflow

Di konsol Google Cloud, buka halaman Environments.

Buka Lingkungan
Di daftar lingkungan, klik link Airflow untuk lingkungan Anda. UI Airflow akan terbuka.
Di UI Airflow, pilih Admin > Variabel.
Klik Add a new record.
Tentukan nama variabel di kolom Key, dan tetapkan nilainya di kolom Val.
Klik Save.

Membuat Server Histori Persisten

Gunakan Persistent History Server (PHS) untuk melihat file histori Spark dari workload batch Anda:

Membuat Server Histori Persisten.
Pastikan Anda menentukan nama cluster PHS dalam phs_cluster variabel Airflow.

DataprocCreateBatchOperator

DAG berikut memulai beban kerja Dataproc Serverless Batch.

Untuk mengetahui informasi selengkapnya tentang argumen DataprocCreateBatchOperator, lihat kode sumber operator.

Untuk mengetahui informasi selengkapnya tentang atribut yang dapat Anda teruskan dalam parameter batch dari DataprocCreateBatchOperator, lihat deskripsi class 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

Menggunakan gambar container kustom dengan DataprocCreateBatchOperator

Contoh berikut menunjukkan cara menggunakan image container kustom untuk menjalankan workload Anda. Anda dapat menggunakan container kustom, misalnya, untuk menambahkan dependensi Python yang tidak disediakan oleh image container default.

Untuk menggunakan image container kustom:

Membuat image container kustom dan menguploadnya ke Container Registry.
Tentukan gambar dalam image_name variabel Airflow.
Gunakan DataprocCreateBatchOperator dengan gambar kustom:

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

Menggunakan layanan Metastore Dataproc dengan DataprocCreateBatchOperator

Untuk menggunakan layanan Metastore Dataproc dari DAG:

Periksa apakah layanan metastore Anda sudah dimulai.

Untuk mempelajari cara memulai layanan metastore, lihat Mengaktifkan dan menonaktifkan Metastore Dataproc.

Untuk mengetahui informasi selengkapnya tentang operator batch untuk membuat konfigurasi, lihat PeripheralsConfig.
Setelah layanan metastore aktif dan berjalan, tentukan namanya di variabel metastore_cluster dan regionnya di variabel Airflow region_name.
Gunakan layanan metastore di 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

Anda dapat menggunakan DataprocDeleteBatchOperator untuk menghapus batch berdasarkan ID batch beban kerja.

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

DataprocListBatchesOperator

DataprocDeleteBatchOperator mencantumkan batch yang ada dalam project_id dan region tertentu.

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

DataprocGetBatchOperator

DataprocGetBatchOperator mengambil satu workload batch tertentu.

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