Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3
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 workload batch Dataproc Serverless. Anda menggunakan operator ini di DAG yang membuat, menghapus, mencantumkan, dan mendapatkan workload batch Dataproc Serverless Spark:
Buat DAG untuk operator yang berfungsi dengan workload Dataproc Serverless Batch:
Buat DAG yang menggunakan penampung kustom, dan Dataproc Metastore.
Konfigurasikan Persistent History Server untuk DAG ini.
Sebelum memulai
Aktifkan Dataproc API:
Konsol
Aktifkan API Dataproc.
gcloud
Aktifkan API Dataproc:
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 Anda 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.
Mengupload file workload ML Dataproc Serverless Spark ke bucket
Beban kerja dalam tutorial ini menjalankan skrip pyspark:
Simpan skrip pyspark ke file lokal bernama
spark-job.py
. Misalnya, Anda dapat menggunakan contoh skrip pyspark.Upload file ke lokasi yang Anda pilih di Sebelum memulai.
Menyetel variable Airflow
Contoh di bagian berikut menggunakan variabel Airflow. Anda menetapkan nilai untuk variabel ini di Airflow, lalu kode DAG Anda dapat mengakses nilai ini.
Contoh dalam tutorial ini menggunakan variabel Airflow berikut. Anda dapat menetapkannya 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 Sebelum memulai.phs_cluster
: Nama cluster Server Histori Permanen. Anda menetapkan variabel ini saat Membuat Persistent History Server.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 Dataproc Metastore dengan DataprocCreateBatchOperator.region_name
: region tempat layanan Dataproc Metastore berada. Anda menetapkan variabel ini saat menggunakan layanan Dataproc Metastore dengan DataprocCreateBatchOperator.
Menggunakan konsol Google Cloud dan UI Airflow untuk menetapkan setiap variabel Airflow
Di konsol Google Cloud, buka halaman Environments.
Dalam daftar lingkungan, klik link Airflow untuk lingkungan Anda. UI Airflow akan terbuka.
Di UI Airflow, pilih Admin > Variables.
Klik Add a new record.
Tentukan nama variabel di kolom Kunci, dan tetapkan nilainya di kolom Val.
Klik Simpan.
Membuat Persistent History Server
Gunakan Persistent History Server (PHS) untuk melihat file histori Spark dari beban kerja batch Anda:
- Buat Persistent History Server.
- Pastikan Anda menentukan nama cluster PHS di
variabel Airflow
phs_cluster
.
DataprocCreateBatchOperator
DAG berikut memulai beban kerja Batch Dataproc Serverless.
Untuk 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.
Menggunakan image container kustom dengan DataprocCreateBatchOperator
Contoh berikut menunjukkan cara menggunakan image penampung kustom untuk menjalankan beban kerja Anda. Anda dapat menggunakan container kustom, misalnya, untuk menambahkan dependensi Python yang tidak disediakan oleh image container default.
Untuk menggunakan image container kustom:
Buat image container kustom dan upload ke Container Registry.
Tentukan gambar di Variabel Airflow
image_name
.Gunakan DataprocCreateBatchOperator dengan image kustom Anda:
Menggunakan layanan Dataproc Metastore dengan DataprocCreateBatchOperator
Untuk menggunakan layanan Dataproc Metastore dari DAG:
Pastikan layanan metastore Anda sudah dimulai.
Untuk mempelajari cara memulai layanan metastore, lihat Mengaktifkan dan menonaktifkan Dataproc Metastore.
Untuk informasi mendetail tentang operator batch untuk membuat konfigurasi, lihat PeripheralsConfig.
Setelah layanan metastore aktif dan berjalan, tentukan namanya di variabel
metastore_cluster
dan region-nya di variabel Airflowregion_name
.Gunakan layanan metastore di DataprocCreateBatchOperator:
DataprocDeleteBatchOperator
Anda dapat menggunakan DataprocDeleteBatchOperator untuk menghapus batch berdasarkan ID batch beban kerja.
DataprocListBatchesOperator
DataprocDeleteBatchOperator mencantumkan batch yang ada dalam project_id dan region tertentu.
DataprocGetBatchOperator
DataprocGetBatchOperator mengambil satu workload batch tertentu.