Eseguire carichi di lavoro Dataproc Serverless con Cloud Composer

Cloud Composer 1 | Cloud Composer 2 | Cloud Composer 3

Nota: questa pagina non è ancora stata rivista per Cloud Composer 3 e mostra contenuti per Cloud Composer 2.

Questa pagina descrive come utilizzare Cloud Composer 2 per eseguire i carichi di lavoro Dataproc Serverless su Google Cloud.

Gli esempi nelle seguenti sezioni mostrano come utilizzare operatori per la gestione dei carichi di lavoro batch serverless di Dataproc. Questi operatori vengono utilizzati nei DAG che creano, elimina, elenca e recupera 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:

  • DataprocCreateBatchOperator
  • DataprocDeleteBatchOperator
  • DataprocListBatchesOperator
  • DataprocGetBatchOperator

• Crea DAG che utilizzano container personalizzati e Dataproc Metastore.

• Configura il server di cronologia permanente per questi DAG.

Prima di iniziare

1. Abilita l'API Dataproc:

   Console

   Enable the Dataproc API.

   Enable the API

   gcloud

   Enable the Dataproc API:

   gcloud services enable dataproc.googleapis.com

2. Seleziona la località per il file del carico di lavoro batch. Puoi utilizzare una delle seguenti opzioni:

   • Crea un bucket Cloud Storage che immagazzina questo file.
   • Utilizza il bucket del tuo ambiente. Perché non devi sincronizzare questo file con Airflow, puoi creare una sottocartella separata all'esterno di /dags o /data cartelle. 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 di Dataproc Serverless in un bucket

Il carico di lavoro in questo tutorial esegue uno script pyspark:

1. Salva qualsiasi script pyspark in un file locale denominato spark-job.py. Ad esempio, puoi utilizzare script pyspark di esempio.

2. Carica il file nella posizione selezionata in Prima di iniziare.

Imposta le variabili Airflow

Gli esempi nelle sezioni seguenti utilizzano le variabili Airflow. Imposti i valori per queste variabili in Airflow, in modo che il codice DAG possa accedervi.

Gli esempi in questo tutorial utilizzano le seguenti variabili Airflow. Puoi impostarli come necessario, 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 è presente il file Python principale si trova il carico di lavoro (spark-job.py). Hai selezionato questa località in Prima di iniziare.
• phs_cluster: nome del cluster del server di cronologia permanente. Hai impostato questa variabile quando crei un server di cronologia permanente.
• image_name: nome e tag dell'immagine del contenitore personalizzato (image:tag). Puoi impostare questa variabile quando utilizzi l'immagine del contenitore personalizzato con DataprocCreateBatchOperator.
• metastore_cluster: nome del servizio Dataproc Metastore. Imposti questa variabile quando utilizzi il servizio Dataproc Metastore con DataprocCreateBatchOperator.
• region_name: regione in cui si trova il servizio Dataproc Metastore. Imposti questa variabile quando utilizzi il servizio Dataproc Metastore con DataprocCreateBatchOperator.

Utilizzare la console Google Cloud e l'interfaccia utente di Airflow per impostare ogni variabile Airflow

1. Nella console Google Cloud, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul link Airflow per il tuo ambiente. Si apre l'interfaccia utente di Airflow.

3. Nella UI di Airflow, seleziona Amministratore > Variabili.

4. Fai clic su Add a new record (Aggiungi un nuovo record).

5. Specifica il nome della variabile nel campo Chiave e imposta il valore per nel campo Val (Valore).

6. Fai clic su Salva.

Crea un server di cronologia permanente

Usa un server di cronologia permanente (PHS) per visualizzare i file di cronologia di Spark del tuo batch carichi di lavoro standard:

1. Crea un server di cronologia permanente.
2. Assicurati di aver specificato il nome del cluster PHS nel phs_cluster Variabile Airflow.

DataprocCreateBatchOperator

Il DAG seguente avvia un carico di lavoro batch serverless di Dataproc.

Per ulteriori informazioni sugli argomenti DataprocCreateBatchOperator, vedi codice sorgente dell'operatore.

Per ulteriori informazioni sugli attributi che puoi trasmettere nel batch di DataprocCreateBatchOperator, consulta le 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

Utilizzare l'immagine del container personalizzato con DataprocCreateBatchOperator

L'esempio seguente mostra come utilizzare un'immagine del contenitore personalizzata per eseguire i carichi di lavoro. Puoi utilizzare un container personalizzato, ad esempio, per aggiungere Python le dipendenze non fornite dall'immagine container predefinita.

Nota: per eseguire i DAG che eseguono Dataproc Serverless per Spark viene eseguito con container Docker personalizzati, il tuo ambiente Cloud Composer deve utilizzare Cloud Composer 2.0.6 e Airflow 2.2.3 o versioni successive .

Per utilizzare un'immagine container personalizzata:

1. Crea un'immagine container personalizzata e caricala in Container Registry.

2. Specifica l'immagine nella variabile Airflow image_name.

3. 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

Utilizzare il servizio Dataproc Metastore con DataprocCreateBatchOperator

Per utilizzare un servizio Dataproc Metastore da un DAG:

1. Verifica che il servizio metastore sia già avviato.

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

   Per informazioni dettagliate sull'operatore batch per la creazione della configurazione, consulta PeripheralsConfig.

2. Una volta che il servizio Metastore è attivo e funzionante, specifica il relativo nome nella variabile metastore_cluster e la regione nella variabile Airflow region_name.

3. 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 suo ID del carico di lavoro.

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

DataprocListBatchesOperator

DataprocDeleteBatchOperator elenca i batch esistenti all'interno di un dato project_id e regione.

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",
)

Passaggi successivi

• Panoramica di Dataproc Serverless
• Attivare i DAG con le funzioni Cloud Run