Dataproc Serverless usa las propiedades de Spark para determinar los recursos de procesamiento, memoria y disco que se asignarán a tu carga de trabajo por lotes. Esta configuración de la propiedad puede afectar el consumo y el costo de la cuota de la carga de trabajo (consulta Cuotas de Dataproc Serverless y Precios de Dataproc Serverless para obtener más información).
Configurar propiedades de carga de trabajo por lotes de Spark
Puedes especificar las propiedades de Spark cuando envías una carga de trabajo por lotes de Spark sin servidores de Dataproc mediante la consola de Google Cloud, gcloud CLI o la API de Dataproc.
Console
Ve a la página de creación de lotes de Dataproc en la consola de Google Cloud.
En la sección Propiedades, haz clic en Agregar propiedad y, luego, ingresa el
Key(nombre) y elValuede una propiedad compatible de Spark.
gcloud
Ejemplo de envío por lotes de gcloud CLI:
gcloud dataproc batches submit spark --properties=spark.checkpoint.compress=true \ --region=region \ other args ...
API
Configura RuntimeConfig.properties con las propiedades de Spark compatibles como parte de una solicitud batches.create.
Propiedades de Spark compatibles
Dataproc Serverless para Spark admite la mayoría de las propiedades de Spark, pero no admite propiedades de Spark relacionadas con YARN y Shuffle, como spark.master=yarn y spark.shuffle.service.enabled. Si el código de la aplicación de Spark establece una propiedad YARN o aleatoria, la aplicación fallará.
Propiedades del entorno de ejecución
Dataproc Serverless para Spark admite las siguientes propiedades personalizadas de Spark en la configuración del entorno de ejecución:
| Propiedad | Descripción |
|---|---|
spark.dataproc.driverEnv.EnvironmentVariableName |
Agrega EnvironmentVariableName al proceso del controlador. Puedes especificar varias variables de entorno. |
Propiedades de asignación de recursos
Dataproc Serverless para Spark admite las siguientes propiedades de Spark a la hora de configurar la asignación de recursos:
| Propiedad | Descripción | Predeterminado | Ejemplos |
|---|---|---|---|
spark.driver.cores |
La cantidad de núcleos (CPU virtuales) para asignar al controlador de Spark.
Valores válidos: 4, 8 y 16. |
4 |
|
spark.driver.memory |
Es la cantidad de memoria para asignar al proceso del controlador de Spark, especificada en formato de string de memoria JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). Memoria total del controlador por núcleo del controlador, incluida la sobrecarga de memoria del controlador, que debe estar entre |
512m, 2g |
|
spark.driver.memoryOverhead |
Es la cantidad de memoria de JVM adicional que se asignará al proceso del controlador de Spark, especificada en formato de string de memoria de JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). Se trata de memoria que no es del montón asociada con las sobrecargas de la JVM, las cadenas internas y otras sobrecargas nativas, e incluye la memoria que usan otros procesos del controlador, como los procesos del controlador PySpark y la memoria que usan otros procesos que no son controladores que se ejecutan en el contenedor.
El tamaño máximo de memoria del contenedor en el que se ejecuta el controlador se determina mediante la suma de La memoria total del controlador por núcleo del controlador, incluida la sobrecarga de memoria del controlador, debe estar entre |
Un 10% de memoria del controlador, excepto las cargas de trabajo por lotes de PySpark, que se establecen de forma predeterminada como el 40% de la memoria del controlador. | 512m, 2g |
spark.dataproc.driver.compute.tier |
El nivel de procesamiento que se usará en el controlador. El nivel de procesamiento Premium ofrece un mayor rendimiento por núcleo, pero se factura a una tarifa más alta. | standard | estándar, premium |
spark.dataproc.driver.disk.size |
Es la cantidad de espacio en el disco asignado al controlador, especificado con un sufijo de unidad de tamaño ("k", "m", "g" o "t").
Debe ser 250GiB como mínimo.
Si se selecciona el nivel de disco Premium en el controlador, los tamaños válidos son 375 g, 750 g, 1,500 g, 3,000 g, 6,000 g o 9,000 g. |
100GiB por núcleo |
1024g, 2t |
spark.dataproc.driver.disk.tier |
El nivel de disco que se usará para el almacenamiento local y aleatorio en el controlador.
El nivel de disco Premium ofrece un mejor rendimiento en IOPS y capacidad de procesamiento, pero
se factura a una tarifa más alta. Si se selecciona el nivel de disco Premium en el controlador, también se debe seleccionar el nivel de procesamiento Premium con spark.dataproc.driver.compute.tier=premium y la cantidad de espacio en disco debe especificarse con spark.dataproc.executor.disk.size.
Si se selecciona el nivel de disco Premium, el controlador asigna 50 GiB adicionales de espacio en disco para el almacenamiento del sistema, que las aplicaciones de usuario no pueden usar. | standard | estándar, premium |
spark.executor.cores |
La cantidad de núcleos (CPU virtuales) para asignar a cada ejecutor de Spark.
Valores válidos: 4, 8 y 16. |
4 |
|
spark.executor.memory |
Es la cantidad de memoria que se asignará a cada proceso del ejecutor de Spark, especificada en formato de string de memoria JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). La memoria total del ejecutor por núcleo del ejecutor, incluida la sobrecarga de memoria del ejecutor, debe estar entre |
512m, 2g |
|
spark.executor.memoryOverhead |
Es la cantidad de memoria de JVM adicional que se asignará al proceso del ejecutor de Spark, especificada en formato de string de memoria de JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). Esta es la memoria que no es del montón que se usa para las sobrecargas de la JVM, las cadenas internas y otras sobrecargas nativas; además, incluye la memoria del ejecutor de PySpark y la memoria que usan otros procesos no ejecutivos que se ejecutan en el contenedor.
El tamaño máximo de memoria del contenedor en el que se ejecuta el ejecutor se determina mediante la suma de La memoria total del ejecutor por núcleo del ejecutor, incluida la sobrecarga de memoria del ejecutor, debe estar entre |
El 10% de la memoria del ejecutor, excepto las cargas de trabajo por lotes de PySpark, que usan el 40% de la memoria del ejecutor de forma predeterminada | 512m, 2g |
spark.dataproc.executor.compute.tier |
El nivel de procesamiento que se usará en los ejecutores. El nivel de procesamiento Premium ofrece un mayor rendimiento por núcleo, pero se factura a una tarifa más alta. | standard | estándar, premium |
spark.dataproc.executor.disk.size |
La cantidad de espacio en el disco asignado a cada ejecutor, especificado con un sufijo de unidad de tamaño (“k”, “m”, “g” o “t”).
El espacio en el disco del ejecutor se puede usar para los datos de Shuffle y para almacenar en etapa intermedia las
dependencias. Debe ser 250GiB como mínimo.
Si se selecciona el nivel de disco Premium en el ejecutor, los tamaños válidos son 375 g, 750 g, 1,500 g, 3,000 g, 6,000 g o 9,000 g. |
100GiB por núcleo |
1024g, 2t |
spark.dataproc.executor.disk.tier |
El nivel de disco que se usará para el almacenamiento local y aleatorio en ejecutores.
El nivel de disco Premium ofrece un mejor rendimiento en IOPS y capacidad de procesamiento, pero
se factura a una tarifa más alta. Si se selecciona el nivel de disco Premium en el ejecutor, también se debe seleccionar el nivel de procesamiento Premium con spark.dataproc.executor.compute.tier=premium, y la cantidad de espacio en el disco debe especificarse con spark.dataproc.executor.disk.size.
Si se selecciona el nivel de disco Premium, a cada ejecutor se le asignan 50 GiB adicionales de espacio en disco para el almacenamiento del sistema, que las aplicaciones de usuario no pueden usar. | standard | estándar, premium |
spark.executor.instances |
La cantidad inicial de ejecutores para asignar. Después de que se inicia una carga de trabajo por lotes, el ajuste de escala automático puede cambiar la cantidad de ejecutores activos. Debe ser 2 como mínimo y 2000 como máximo. |
Propiedades de ajuste de escala automático
Consulta las propiedades de asignación dinámica de Spark para obtener una lista de las propiedades de Spark que puedes usar para configurar el ajuste de escala automático sin servidores de Dataproc.
Propiedades de registro
| Propiedad | Descripción | Predeterminado | Ejemplos |
|---|---|---|---|
spark.log.level |
Cuando se establece, anula cualquier configuración de registro definida por el usuario con el efecto de una llamada a SparkContext.setLogLevel() cuando se inicia Spark. Entre los niveles de registro válidos, se incluyen los siguientes: ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE y WARN. |
INFO, DEBUG |
|
spark.executor.syncLogLevel.enabled |
Cuando se establece en true, el nivel de registro aplicado a través del método SparkContext.setLogLevel() se propaga a todos los ejecutores. |
false |
true, false |
spark.log.level.PackageName |
Cuando se establece, anula cualquier configuración de registro definida por el usuario con el efecto de una llamada a SparkContext.setLogLevel(PackageName, level) cuando se inicia Spark. Los niveles de registro válidos son los siguientes: ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE y WARN. |
spark.log.level.org.apache.spark=error |
Otras propiedades
| Propiedad | Descripción |
|---|---|
dataproc.diagnostics.enabled |
Habilita esta propiedad para ejecutar diagnósticos sobre una falla o cancelación de una carga de trabajo por lotes. Si el diagnóstico está habilitado, la carga de trabajo por lotes seguirá usando recursos de procesamiento después de que se complete la carga de trabajo hasta que finalice el diagnóstico. Un URI que apunta a la ubicación del archivo comprimido de diagnóstico se enumera en el campo de la API Batch.RuntimeInfo.diagnosticOutputUri. |
dataproc.gcsConnector.version |
Usa esta propiedad para actualizar a una versión del conector de Cloud Storage que sea diferente de la versión instalada con la versión del entorno de ejecución de tu carga de trabajo por lotes. |
dataproc.sparkBqConnector.version |
Usa esta propiedad para actualizar a una versión del conector de BigQuery de Spark que sea diferente de la versión instalada con la versión del entorno de ejecución de tu carga de trabajo por lotes (consulta Usa el conector de BigQuery con Dataproc Serverless para Spark). |
dataproc.profiling.enabled |
Configura esta propiedad en true a fin de habilitar la creación de perfiles para la carga de trabajo de Dataproc Serverless. |
dataproc.profiling.name |
Usa esta propiedad para establecer el nombre que se usará para crear un perfil en el servicio de Profiler. |