Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3
Cette page explique comment utiliser Cloud Composer 2 pour exécuter des charges de travail Dataproc sans serveur sur Google Cloud.
Les exemples des sections suivantes vous expliquent comment utiliser les opérateurs pour gérer les charges de travail par lot Dataproc sans serveur. Les opérateurs suivants sont utilisés dans les DAG pour créer, supprimer, répertorier et obtenir une charge de travail par lot Dataproc sans serveur Spark:
Créez des DAG pour les opérateurs qui fonctionnent avec les charges de travail Dataproc par lot sans serveur:
Créer des DAG qui utilisent des conteneurs personnalisés et Dataproc Metastore
Configurez le serveur d'historique persistant pour ces DAG.
Avant de commencer
Activez l'API Dataproc:
Console
Activez l'API Dataproc
gcloud
Activer l'API Dataproc :
gcloud services enable dataproc.googleapis.com
Sélectionnez l'emplacement de votre fichier de charge de travail Batch. Vous pouvez utiliser l'une des options suivantes:
- Créez un bucket Cloud Storage qui stocke ce fichier.
- Utilisez le bucket de votre environnement. Comme vous n'avez pas besoin de synchroniser ce fichier avec Airflow, vous pouvez créer un sous-dossier distinct en dehors des dossiers
/dags
ou/data
. Exemple :/batches
- Utilisez un bucket existant.
Configurer les fichiers et les variables Airflow
Cette section explique comment configurer les fichiers et les variables Airflow pour ce tutoriel.
Importer un fichier de charge de travail Spark ML sans serveur Dataproc dans un bucket
La charge de travail de ce tutoriel exécute un script pyspark:
Enregistrez n'importe quel script pyspark dans un fichier local nommé
spark-job.py
. Vous pouvez par exemple utiliser l'exemple de script pyspark.Importez le fichier à l'emplacement que vous avez sélectionné à la section Avant de commencer.
Définir les variables Airflow
Les exemples des sections suivantes utilisent des variables Airflow. Vous définissez des valeurs pour ces variables dans Airflow, puis votre code DAG peut accéder à ces valeurs.
Les exemples de ce tutoriel utilisent les variables Airflow suivantes. Vous pouvez les définir si nécessaire, en fonction de l'exemple que vous utilisez.
Définissez les variables Airflow suivantes à utiliser dans le code de votre DAG:
project_id
: ID du projetbucket_name
: URI d'un bucket où se trouve le fichier Python principal de la charge de travail (spark-job.py
). Vous avez sélectionné cet emplacement à la section Avant de commencer.phs_cluster
: nom du cluster du serveur d'historique persistant. Vous définissez cette variable lorsque vous créez un serveur d'historique persistant.image_name
: nom et tag de l'image de conteneur personnalisé (image:tag
). Vous définissez cette variable lorsque vous utilisez une image de conteneur personnalisée avec DataprocCreateBatchOperator.metastore_cluster
: nom du service Dataproc Metastore. Vous définissez cette variable lorsque vous utilisez le service Dataproc Metastore avec DataprocCreateBatchOperator.region_name
: région où se trouve le service Dataproc Metastore. Vous définissez cette variable lorsque vous utilisez le service Dataproc Metastore avec DataprocCreateBatchOperator.
Utiliser la console Google Cloud et l'interface utilisateur Airflow pour définir chaque variable Airflow
Dans la console Google Cloud, accédez à la page Environnements.
Dans la liste des environnements, cliquez sur le lien Airflow correspondant à votre environnement. L'interface utilisateur d'Airflow s'ouvre.
Dans l'interface utilisateur d'Airflow, sélectionnez Admin > Variables.
Cliquez sur Ajouter un enregistrement.
Spécifiez le nom de la variable dans le champ Clé et définissez sa valeur dans le champ Valeur.
Cliquez sur Enregistrer.
Créer un serveur d'historique persistant
Utilisez un serveur d'historique persistant (PHS) pour afficher les fichiers d'historique Spark de vos charges de travail par lot:
- Créez un serveur d'historique persistant.
- Assurez-vous d'avoir spécifié le nom du cluster PHS dans la variable Airflow
phs_cluster
.
DataprocCreateBatchOperator
Le DAG suivant lance une charge de travail par lot Dataproc sans serveur.
Pour en savoir plus sur les arguments DataprocCreateBatchOperator
, consultez la section Code source de l'opérateur.
Pour en savoir plus sur les attributs que vous pouvez transmettre dans le paramètre batch
de DataprocCreateBatchOperator
, consultez la description de la classe Batch.
Utiliser une image de conteneur personnalisé avec DataprocCreateBatchOperator
L'exemple suivant montre comment exécuter des charges de travail à l'aide d'une image de conteneur personnalisé. Vous pouvez utiliser un conteneur personnalisé, par exemple, pour ajouter des dépendances Python non fournies par l'image de conteneur par défaut.
Pour utiliser une image de conteneur personnalisé:
Créez une image de conteneur personnalisé et importez-la dans Container Registry.
Spécifiez l'image dans la variable Airflow
image_name
.Utilisez DataprocCreateBatchOperator avec votre image personnalisée:
Utiliser le service Dataproc Metastore avec DataprocCreateBatchOperator
Pour utiliser un service Dataproc Metastore à partir d'un DAG:
Vérifiez que votre service de métastore a déjà démarré.
Pour en savoir plus sur le démarrage d'un service de métastore, consultez la page Activer et désactiver Dataproc Metastore.
Pour en savoir plus sur l'opérateur de traitement par lot pour la création de la configuration, consultez la section PeripheralsConfig.
Une fois que le service de métastore est opérationnel, spécifiez son nom dans la variable
metastore_cluster
et sa région dans la variable Airflowregion_name
.Utilisez le service de métastore dans DataprocCreateBatchOperator:
DataprocDeleteBatchOperator
Vous pouvez utiliser DataprocDeleteBatchOperator pour supprimer un lot en fonction de l'ID de lot de la charge de travail.
DataprocListBatchesOperator
DataprocDeleteBatchOperator répertorie les lots qui existent dans un projet_id et une région donnés.
DataprocGetBatchOperator
DataprocGetBatchOperator récupère une charge de travail par lot particulière.