Cloud Composer 1 è in modalità post-manutenzione. Google non rilascia ulteriori aggiornamenti a Cloud Composer 1, tra cui nuove versioni di Airflow, correzioni di bug e aggiornamenti della sicurezza. Ti consigliamo di pianificare la migrazione a Cloud Composer 2.

Questa pagina è stata tradotta dall'API Cloud Translation.

Esegui carichi di lavoro serverless di Dataproc con Cloud Composer

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

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 serverless di Dataproc. Puoi usare questi operatori nei DAG che creano, eliminano, elencano e recuperano un carico di lavoro batch Spark serverless di Dataproc:

Crea DAG per gli operatori che funzionano con i carichi di lavoro batch serverless di 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.
Abilita l'API
gcloud

Attiva l'API Dataproc.
```
gcloud services enable dataproc.googleapis.com
```
Seleziona la località per il file del carico di lavoro batch. Puoi utilizzare una delle seguenti opzioni:
- Crea un bucket Cloud Storage in cui archiviare 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.

configura file e variabili Airflow

Questa sezione illustra come impostare i file e configurare le variabili Airflow per questo tutorial.

Carica un file del carico di lavoro Spark ML serverless 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 variabili Airflow

Gli esempi nelle sezioni seguenti utilizzano le variabili Airflow. Se imposti i valori per queste variabili in Airflow, il tuo codice DAG può accedere a questi valori.

Gli esempi in questo tutorial utilizzano le seguenti variabili Airflow. Puoi impostarle in base alle esigenze, a seconda dell'esempio che utilizzi.

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. La variabile viene impostata durante la creazione di un server di cronologia permanente.
image_name: nome e tag dell'immagine container personalizzata (image:tag). Imposta questa variabile quando utilizzi un'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.

Usa la console Google Cloud e la UI di Airflow per impostare ogni variabile Airflow

Nella console Google Cloud, vai alla pagina Ambienti.

Vai ad 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 Amministratore > Variabili.
Fai clic su Add a new record (Aggiungi un nuovo record).
Specifica il nome della variabile nel campo Chiave e imposta il relativo valore nel campo Valore.
Fai clic su Salva.

Crea un server di cronologia permanente

Utilizza un server di cronologia permanente (PHS) per visualizzare i file di cronologia di 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 DAG seguente avvia un carico di lavoro batch serverless di Dataproc.

Per ulteriori informazioni sugli argomenti DataprocCreateBatchOperator, consulta la pagina relativa al codice sorgente dell'operatore.

Per ulteriori informazioni sugli attributi che puoi passare nel parametro batch di DataprocCreateBatchOperator, consulta la descrizione della 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

Usa 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 del container predefinito.

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 la tua immagine personalizzata:

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

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 come avviare un servizio metastore, consulta Abilitare e disabilitare Dataproc Metastore.

Per informazioni dettagliate sull'operatore batch per creare la configurazione, consulta PeripheralsConfig.
Quando il servizio metastore è attivo e in esecuzione, specifica il suo nome nella variabile metastore_cluster e la sua regione nella variabile Airflow di region_name.
Usa il servizio metastore in 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

Puoi utilizzare DataprocDeleteBatchOperator per eliminare un batch in base al relativo ID.

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

DataprocListBatchesOperator

DataprocDeleteBatchOperator elenca i batch esistenti all'interno di un progetto_id e di una regione specifici.

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

DataprocGetBatchOperator

DataprocGetBatchOperator recupera un determinato carico di lavoro batch.

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