Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3
Nesta página, descrevemos como usar o Cloud Composer 2 para executar cargas de trabalho Dataproc sem servidor no Google Cloud.
Os exemplos nas seções a seguir mostram como usar os operadores para gerenciar cargas de trabalho em lote do Dataproc sem servidor. Use esses operadores em DAGs que criam, excluem, listam e recebem uma carga de trabalho em lote do Spark sem servidor do Dataproc:
Crie DAGs para operadores que trabalham com cargas de trabalho em lote do Dataproc sem servidor:
Crie DAGs que usam contêineres personalizados e o Metastore do Dataproc.
Configure o Persistent History Server para esses DAGs.
Antes de começar
Ative a API Dataproc:
Console
Ative a API Dataproc.
gcloud
Ative a API Dataproc:
gcloud services enable dataproc.googleapis.com
Selecione o local do seu arquivo de carga de trabalho em lote. É possível usar qualquer uma das seguintes opções:
- Crie um bucket do Cloud Storage que armazene esse arquivo.
- Use o bucket do seu ambiente. Como não é preciso sincronizar esse arquivo com o Airflow, você pode criar uma subpasta separada fora das pastas
/dags
ou/data
. Por exemplo,/batches
. - Usar um bucket atual.
configurar arquivos e variáveis do Airflow
Nesta seção, demonstramos como configurar arquivos e variáveis do Airflow para este tutorial.
Fazer upload de um arquivo de carga de trabalho de ML do Spark sem servidor para um bucket
A carga de trabalho neste tutorial executa um script pyspark:
Salve qualquer script pyspark em um arquivo local chamado
spark-job.py
. Por exemplo, use o script pyspark de amostra.Faça upload do arquivo no local selecionado em Antes de começar.
definir variáveis do Airflow
Os exemplos nas seções a seguir usam variáveis do Airflow. Você define os valores dessas variáveis no Airflow e, em seguida, o código DAG pode acessá-los.
Os exemplos neste tutorial usam as seguintes variáveis do Airflow. É possível defini-las conforme necessário, dependendo do exemplo usado.
Defina as seguintes variáveis do Airflow para usar no seu código DAG:
project_id
: ID do projeto.bucket_name
: URI de um bucket em que o arquivo Python principal da carga de trabalho (spark-job.py
) está localizado. Você selecionou esse local em Antes de começar.phs_cluster
: nome do cluster do servidor de histórico permanente. Essa variável é definida ao criar um servidor de histórico permanente.image_name
: nome e tag da imagem do contêiner personalizada (image:tag
). Você define essa variável ao usar a imagem de contêiner personalizada com o DataprocCreateBatchOperator.metastore_cluster
: nome do serviço do metastore do Dataproc. Defina essa variável ao usar o serviço Metastore do Dataproc com o DataprocCreateBatchOperator.region_name
: região em que o serviço Metastore do Dataproc está localizado. Defina essa variável ao usar o serviço Metastore do Dataproc com o DataprocCreateBatchOperator.
Usar o console do Google Cloud e a interface do Airflow para definir cada variável do Airflow
No console do Google Cloud, acesse a página Ambientes.
Na lista de ambientes, clique no link do Airflow associado a ele. A interface do Airflow é aberta.
Na interface do Airflow, selecione Admin > Variables.
Clique em Add a new record.
Especifique o nome da variável no campo Chave e defina o valor dela no campo Val.
Clique em Salvar.
Crie um servidor de histórico permanente
Use um servidor de histórico permanente (PHS, na sigla em inglês) para ver os arquivos de histórico do Spark das cargas de trabalho em lote:
- Crie um servidor de histórico permanente.
- Verifique se você especificou o nome do cluster de PHS na variável
phs_cluster
do Airflow.
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 os atributos que podem ser transmitidos no parâmetro batch
de DataprocCreateBatchOperator
, consulte a descrição da classe 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 de Python não fornecidas pela imagem de contêiner padrão.
Para usar uma imagem de contêiner personalizada:
Crie uma imagem de contêiner personalizada e faça upload dela para o Container Registry.
Especifique a imagem na variável
image_name
do Airflow.Use DataprocCreateBatchOperator com sua imagem personalizada:
Usar o serviço Dataproc Metastore com DataprocCreateBatchOperator
Para usar o serviço Metastore do Dataproc de um DAG:
Verifique se o serviço de metastore já foi iniciado.
Para saber mais sobre como iniciar um serviço de metastore, consulte Ativar e desativar o metastore do Dataproc.
Para informações detalhadas sobre o operador em lote para criar a configuração, consulte PeripheralsConfig.
Quando o serviço metastore estiver em execução, especifique o nome dele na variável
metastore_cluster
e a região na variávelregion_name
do Airflow.Use o serviço metastore no DataprocCreateBatchOperator:
DataprocDeleteBatchOperator
É possível usar o DataprocDeleteBatchOperator para excluir um lote com base no código do lote da carga de trabalho.
DataprocListBatchesOperator
DataprocDeleteBatchOperator lista os lotes que existem em um determinado project_id e região.
DataprocGetBatchOperator
DataprocGetBatchOperator busca uma carga de trabalho em lote específica.