O Dataproc sem servidor usa propriedades do Spark para determinar os recursos de computação, memória e disco a serem alocados à carga de trabalho em lote. Essas configurações de propriedade podem afetar o consumo e o custo da cota da carga de trabalho. Consulte Cotas do Dataproc sem servidor e Preços do Dataproc sem servidor para saber mais informações).
Definir propriedades de carga de trabalho em lote do Spark
É possível especificar propriedades do Spark quando enviar uma carga de trabalho em lote Spark do Dataproc sem servidor usando o console do Google Cloud, CLI gcloud ou a API Dataproc.
Console
Acesse a página "Criar lote do Dataproc" no console do Google Cloud.
na seção Propriedades, clique em Adicionar propriedade e insira o
Key(nome) eValuede uma propriedade do Spark com suporte.
gcloud
Exemplo de envio em lote da CLI gcloud:
gcloud dataproc batches submit spark --properties=spark.checkpoint.compress=true \ --region=region \ other args ...
API
Defina RuntimeConfig.properties com as propriedades do Spark com suporte como parte de uma solicitação batches.create.
Propriedades do Spark com suporte
O Dataproc Serverless para Spark oferece suporte à maioria das propriedades do Spark, mas não
oferece suporte a propriedades do Spark relacionadas ao YARN e ao shuffle, como
spark.master=yarn e spark.shuffle.service.enabled. Se o aplicativo Spark
código define uma propriedade YARN ou de embaralhamento, o aplicativo falhará.
Propriedades do ambiente de execução
O Dataproc Serverless para Spark oferece suporte às seguintes propriedades personalizadas do Spark para configurar o ambiente de execução:
| Propriedade | Descrição |
|---|---|
spark.dataproc.driverEnv.EnvironmentVariableName |
Adicione o EnvironmentVariableName ao processo do driver. É possível especificar várias variáveis de ambiente. |
Propriedades de alocação de recursos
O Dataproc Serverless para Spark oferece suporte às seguintes propriedades do Spark para configurar a alocação de recursos:
| Propriedade | Descrição | Padrão | Exemplos |
|---|---|---|---|
spark.driver.cores |
O número de núcleos (vCPUs) a serem alocados para o driver do Spark.
Valores válidos: 4, 8, 16. |
4 |
|
spark.driver.memory |
A quantidade de memória a ser alocada para o processo do driver do Spark, especificada no formato de string de memória da JVM com um sufixo de unidade de tamanho ("m", "g" ou "t"). Memória total do driver por núcleo do driver, incluindo sobrecarga de memória,
que precisa estar entre |
512m, 2g |
|
spark.driver.memoryOverhead |
A quantidade de memória adicional da JVM a ser alocada para o driver do Spark processo, especificado no formato de string de memória da JVM com um sufixo de unidade de tamanho ("m", "g" ou "t"). Essa é a memória não heap associada a sobrecargas da JVM,
strings internas e outras sobrecargas nativas, e inclui
a memória usada por outros processos de driver, como os processos de driver do PySpark
e a memória usada por outros processos que não são de driver em execução no contêiner.
O tamanho máximo da memória do contêiner em que o driver é executado é
determinado pela soma de Memória total do driver por núcleo do driver, incluindo sobrecarga de memória,
precisa estar entre |
10% da memória do driver, exceto para cargas de trabalho em lote do PySpark, que tem como padrão 40% da memória do driver | 512m, 2g |
spark.dataproc.driver.compute.tier |
O nível de computação a ser usado no driver. O nível de computação Premium oferece maior desempenho por núcleo, mas ela terá uma taxa mais alta. | standard | padrão, premium |
spark.dataproc.driver.disk.size |
A quantidade de espaço em disco alocada para o driver
especificado com um sufixo de unidade de tamanho ("k", "m", "g" ou "t").
Precisa ser pelo menos 250GiB.
Se o nível de disco Premium for selecionado no driver, os tamanhos válidos serão
375 g, 750 g, 1.500 g, 3.000 g, 6.000 g ou 9.000 g. Se o nível Premium
nível de disco e 16 núcleos de driver são selecionados,
o tamanho mínimo do disco é de 750 g. |
100GiB por núcleo |
1024g, 2t |
spark.dataproc.driver.disk.tier |
O nível de disco a ser usado para armazenamento local e de embaralhamento no driver.
O nível de disco Premium oferece melhor desempenho em IOPS e capacidade, mas
ela terá uma taxa mais alta. Se o nível de disco Premium for selecionado
para o driver, o nível de computação Premium também deve ser selecionado usando
spark.dataproc.driver.compute.tier=premium,
e a quantidade de espaço em disco deve ser especificada usando
spark.dataproc.executor.disk.size.
Se o nível de disco Premium for selecionado, o driver alocará mais 50 GiB de espaço em disco para armazenamento do sistema, utilizáveis pelos aplicativos do usuário. | standard | padrão, premium |
spark.executor.cores |
O número de núcleos (vCPUs) a serem alocados para cada executor do Spark.
Valores válidos: 4, 8, 16. |
4 |
|
spark.executor.memory |
A quantidade de memória a ser alocada para cada processo de executor do Spark, especificada no formato de string de memória da JVM com um sufixo de unidade de tamanho ("m", "g" ou "t"). A memória total do executor por núcleo do executor, incluindo a sobrecarga de memória do executor, precisa estar entre |
512m, 2g |
|
spark.executor.memoryOverhead |
A quantidade de memória adicional da JVM a ser alocada para o Spark processo do executor, especificado no formato de string de memória da JVM com uma unidade de tamanho sufixo ("m", "g" ou "t"). Essa é a memória não heap usada para overheads da JVM, strings internas
e outros overheads nativos, e inclui a memória do executor do PySpark e
a memória usada por outros processos que não são executores em execução no contêiner.
O tamanho máximo de memória do contêiner em que o executor é executado é
determinado pela soma de Memória total do executor por núcleo, incluindo memória do executor
sobrecarga, precisa ser entre |
10% da memória do executor, exceto para cargas de trabalho em lote do PySpark, que têm o padrão de 40% da memória do executor | 512m, 2g |
spark.dataproc.executor.compute.tier |
O nível de computação a ser usado nos executores. O nível de computação Premium oferece maior desempenho por núcleo, mas ela terá uma taxa mais alta. | standard | padrão, premium |
spark.dataproc.executor.disk.size |
A quantidade de espaço em disco alocada para cada executor.
especificado com um sufixo de unidade de tamanho ("k", "m", "g" ou "t").
O espaço em disco do executor pode ser usado para embaralhar dados e
definir dependências. Precisa ser pelo menos 250GiB.
Se o nível de disco Premium for selecionado no executor, os tamanhos válidos serão
375 g, 750 g, 1.500 g, 3.000 g, 6.000 g ou 9.000 g. Se o nível de disco Premium e 16 núcleos de executor forem selecionados, o tamanho mínimo do disco será de 750g. |
100GiB por núcleo |
1024g, 2t |
spark.dataproc.executor.disk.tier |
O nível de disco a ser usado para armazenamento local e de embaralhamento nos executores.
O nível de disco Premium oferece melhor desempenho em IOPS e capacidade, mas
ela terá uma taxa mais alta. Se o nível de disco Premium for selecionado
executor, o nível de computação Premium também precisa ser selecionado com
spark.dataproc.executor.compute.tier=premium,
e a quantidade de espaço em disco deve ser especificada usando
spark.dataproc.executor.disk.size.
Se o nível de disco Premium for selecionado, cada executor será alocado mais 50 GiB de espaço em disco para armazenamento do sistema, utilizáveis pelos aplicativos do usuário. | standard | padrão, premium |
spark.executor.instances |
O número inicial de executores a serem alocados. Depois que uma carga de trabalho em lote
é iniciada, o escalonamento automático pode mudar o número de executores ativos. Deve ser
no mínimo 2 e no máximo 2000. |
Propriedades do escalonamento automático
Consulte Propriedades de alocação dinâmica do Spark para conferir uma lista de propriedades do Spark que podem ser usadas para configurar o escalonamento automático do Dataproc sem servidor.
Propriedades de registro
| Propriedade | Descrição | Padrão | Exemplos |
|---|---|---|---|
spark.log.level |
Quando definido, substitui todas as configurações de registro definidas pelo usuário com o efeito de
uma chamada para SparkContext.setLogLevel() na inicialização do Spark. Os níveis de registro válidos incluem: ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE e WARN. |
INFO, DEBUG |
|
spark.executor.syncLogLevel.enabled |
Quando definido como true, o nível de registro aplicado pelo
o método SparkContext.setLogLevel() é
propagada para todos os executores. |
false |
true, false |
spark.log.level.PackageName |
Quando definido, substitui qualquer configuração de registro definida pelo usuário.
com o efeito de uma chamada para SparkContext.setLogLevel(PackageName, level)
na startup Spark. Os níveis de registro válidos incluem: ALL, DEBUG,
ERROR, FATAL, INFO, OFF,
TRACE e WARN. |
spark.log.level.org.apache.spark=error |
Propriedades de programação
| Propriedade | Descrição | Padrão | Exemplos |
|---|---|---|---|
spark.scheduler.excludeShuffleSkewExecutors |
Exclua executores distorcidos de mapa de embaralhamento ao programar, o que pode reduzir tempos de espera longos de busca de embaralhamento causados por desvio de gravação de embaralhamento. | false |
true |
spark.scheduler.shuffleSkew.minFinishedTasks |
Número mínimo de tarefas de mapa de shuffle concluídas em um executor para tratamento como distorção. | 10 |
100 |
spark.scheduler.shuffleSkew.maxExecutorsNumber |
Número máximo de executores a serem tratados como distorcidos. Executores distorcidos são excluídos da rodada de programação atual. | 5 | 10 |
spark.scheduler.shuffleSkew.maxExecutorsRatio |
Razão máxima de executores totais para tratar como distorção. Executores distorcidos são excluídos da programação. | 0,05 | 0.1 |
spark.scheduler.shuffleSkew.ratio |
Um múltiplo da média das tarefas de embaralhamento concluídas no mapa executor a ser tratado como desvio. | 1.5 | 2.0 |
Outras propriedades
| Propriedade | Descrição |
|---|---|
dataproc.diagnostics.enabled |
Ative essa propriedade para executar diagnósticos em uma falha de carga de trabalho em lote ou cancelamento. Se o diagnóstico estiver ativado, a carga de trabalho em lote vai continuar usando recursos de computação depois que a carga de trabalho for concluída até que o diagnóstico seja concluído. Um URI que aponta para o local do tarball de diagnóstico é listado no campo da API Batch.RuntimeInfo.diagnosticOutputUri. |
dataproc.gcsConnector.version |
Use esta propriedade para fazer upgrade para um Versão do conector do Cloud Storage diferente da versão instalada com as cargas de trabalho versão do ambiente de execução. |
dataproc.sparkBqConnector.version |
Use essa propriedade para fazer upgrade para uma versão do conector do BigQuery do Spark diferente da versão instalada com a versão de execução da sua carga de trabalho em lote. Consulte Usar o conector do BigQuery com o Dataproc sem servidor para Spark. |
dataproc.profiling.enabled |
Defina esta propriedade como true para ativar a criação de perfil para o
Carga de trabalho do Dataproc sem servidor. |
dataproc.profiling.name |
Use essa propriedade para definir o nome usado para criar um perfil no serviço Profiler. |