Dataproc Serverless 的限制和注意事项
- Spark 作业使用服务账号身份（而不是提交用户的身份）执行。
准备工作
- 登录您的 Google Cloud 账号。如果您是 Google Cloud 新手，请创建一个账号来评估我们的产品在实际场景中的表现。新客户还可获享 $300 赠金，用于运行、测试和部署工作负载。
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
启用 Dataproc API。
- 安装 Google Cloud CLI。
-
如需初始化 gcloud CLI，请运行以下命令：
gcloud init
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
启用 Dataproc API。
- 安装 Google Cloud CLI。
-
如需初始化 gcloud CLI，请运行以下命令：
gcloud init
安装 Dataproc JupyterLab 插件
您可以在能够访问 Google 服务的机器或虚拟机（例如本地机器或 Compute Engine 虚拟机实例）上安装和使用 Dataproc JupyterLab 插件。
如需安装该插件，请按以下步骤操作：
确保您的机器上安装了
Python 3.8+。您可以从python.org/downloads下载并安装 Python。验证 Python 3.8 及更高版本的安装情况。
python3 --version
在您的机器上安装
JupyterLab 3.6.3+。pip3 install --upgrade jupyterlab验证 JupyterLab 3.6.3+ 安装。
pip3 show jupyterlab
安装 Dataproc JupyterLab 插件。
pip3 install dataproc-jupyter-plugin如果您的 JupyterLab 版本低于
4.0.0，请启用插件扩展程序。jupyter server extension enable dataproc_jupyter_plugin
-
jupyter lab系统会在浏览器中打开 JupyterLab 启动器页面。它包含 Dataproc 作业和会话部分。如果您有权访问在项目中运行的 Jupyter 可选组件的 Dataproc 无服务器笔记本或 Dataproc 集群，则还可以包含 Dataproc 无服务器笔记本和 Dataproc 集群笔记本部分。
默认情况下，Dataproc Serverless for Spark Interactive 会话在您于准备工作部分运行
gcloud init时设置的项目和区域中运行。您可以从 JupyterLab 设置 > Dataproc 设置页面更改会话的项目和区域设置。
创建 Dataproc 无服务器运行时模板
Dataproc Serverless 运行时模板（也称为 session 模板）包含用于在会话中执行 Spark 代码的配置设置。您可以使用 Jupyterlab 或 gcloud CLI 创建和管理运行时模板。
JupyterLab
点击 JupyterLab 启动器页面上 Dataproc 无服务器笔记本部分中的
New runtime template卡片。
填写运行时模板表单。
指定显示名称和说明，然后输入或确认其他设置。
备注：
网络配置：子网必须启用专用 Google 访问通道，并且必须允许所有端口上的子网通信（请参阅 Dataproc Serverless for Spark 网络配置）。
如果您在准备工作部分运行
gcloud init时为所选区域配置的default网络子网尚未启用专用 Google 访问通道，请执行以下操作：- 为专用 Google 访问通道启用，或者
- 请选择具有已启用专用 Google 访问通道的区域级子网的其他网络。您可以从 JupyterLab 设置 > Dataproc 设置页面更改 Dataproc Serverless 使用的区域。
Metastore：如需在会话中使用 Dataproc Metastore 服务，请选择 Metastore 项目 ID、区域和服务。
最大空闲时间：会话终止前的最大笔记本空闲时间。允许范围：10 分钟到 336 小时（14 天）。
最大会话时间：会话终止前的会话最长生命周期。允许范围：10 分钟到 336 小时（14 天）。
PHS：您可以选择可用的永久性 Spark 历史记录服务器，以便在会话期间和之后访问会话日志。
Spark 属性：对于要为您的无服务器 Spark 会话设置的每个属性，请点击添加属性。如需查看受支持和不受支持的 Spark 属性（包括 Spark 运行时、资源和自动扩缩属性），请参阅 Spark 属性。
标签：针对要为无服务器 Spark 会话设置的每个标签点击添加标签。
从设置 > Dataproc 设置页面查看您的运行时模板。
- 您可以从模板的操作菜单中删除模板。
点击保存。
打开并重新加载 JupyterLab 启动器页面，以在 JupyterLab 启动器页面上查看已保存的笔记本模板卡片。
gcloud
使用您的运行时模板配置创建 YAML 文件。
简单的 YAML
environmentConfig: executionConfig: networkUri: default jupyterSession: kernel: PYTHON displayName: Team A labels: purpose: testing description: Team A Development Environment
复杂 YAML
environmentConfig: executionConfig: serviceAccount: sa1 # Choose either networkUri or subnetworkUri networkUri: default subnetworkUri: subnet networkTags: - tag1 kmsKey: key1 idleTtl: 3600s ttl: 14400s stagingBucket: staging-bucket peripheralsConfig: metastoreService: projects/my-project-id/locations/us-central1/services/my-metastore-id sparkHistoryServerConfig: dataprocCluster: projects/my-project-id/regions/us-central1/clusters/my-cluster-id jupyterSession: kernel: PYTHON displayName: Team A labels: purpose: testing runtimeConfig: version: "1.1" containerImage: gcr.io/my-project-id/my-image:1.0.1 properties: "p1": "v1" description: Team A Development Environment
如果您在准备工作部分运行
gcloud init时为所选区域配置的default网络子网尚未启用专用 Google 访问通道，请执行以下操作：- 为专用 Google 访问通道启用，或者
- 请选择具有已启用专用 Google 访问通道的区域级子网的其他网络。您可以从 JupyterLab 设置 > Dataproc 设置页面更改 Dataproc Serverless 使用的区域。
在本地或 Cloud Shell 中运行以下 gcloud beta dataproc session-templates import 命令，以基于 YAML 文件创建会话（运行时）模板：
gcloud beta dataproc session-templates import TEMPLATE_ID \ --source=YAML_FILE \ --project=PROJECT_ID \ --location=REGION
- 如需了解描述、列出、导出和删除会话模板的命令，请参阅 gcloud beta dataproc session-templates。
启动和管理笔记本
安装 Dataproc JupyterLab 插件后，您可以点击 JupyterLab 启动器页面上的模板卡片执行以下操作：
在 Dataproc Serverless 上启动 Jupyter 笔记本
JupyterLab 启动器页面上的 Dataproc 无服务器笔记本部分会显示映射到 Dataproc Serverless 运行时模板的笔记本模板卡片（请参阅创建 Dataproc 无服务器运行时模板）。
点击卡片即可创建 Dataproc Serverless 会话并启动笔记本。会话创建完成且笔记本内核可供使用后，内核状态会从
Unknown更改为Idle。编写和测试笔记本代码。
复制以下 PySpark
Pi estimation代码并将其粘贴到 PySpark 笔记本单元中，然后按 Shift+Return 键运行该代码。import random def inside(p): x, y = random.random(), random.random() return x*x + y*y < 1 count = sc.parallelize(range(0, 10000)) .filter(inside).count() print("Pi is roughly %f" % (4.0 * count / 10000))笔记本结果：
创建和使用笔记本后，您可以点击内核标签页中的关闭内核来终止笔记本会话。
- 如果您未终止会话，则 Dataproc 会在会话空闲计时器结束时终止会话。您可以在运行时模板配置中配置会话空闲时间。会话的默认闲置时间为 1 小时。
在 Dataproc on Compute Engine 集群上启动笔记本
如果您在 Compute Engine Jupyter 集群上创建了 Dataproc，则 JupyterLab 启动器页面包含一个带有预安装内核卡的 Dataproc 集群笔记本部分。
如需在 Dataproc on Compute Engine 集群上启动 Jupyter 笔记本，请执行以下操作：
点击 Dataproc 集群笔记本部分中的卡片。
当内核状态从
Unknown更改为Idle时，您就可以开始编写和执行笔记本代码。创建和使用笔记本后，您可以点击内核标签页中的关闭内核来终止笔记本会话。
管理 Cloud Storage 中的输入和输出文件
分析探索性数据和构建机器学习模型通常涉及基于文件的输入和输出。Dataproc Serverless 访问 Cloud Storage 上的这些文件。
如需访问 Cloud Storage 浏览器，请点击 JupyterLab 启动器页面边栏中的 Cloud Storage 浏览器图标，然后双击某个文件夹以查看其内容。
您可以点击 Jupyter 支持的文件类型以打开和修改它们。当您保存对文件所做的更改时，系统会将这些更改写入 Cloud Storage。
如需创建新的 Cloud Storage 文件夹，请点击“新建文件夹”图标，然后输入该文件夹的名称。
如需将文件上传到 Cloud Storage 存储桶或文件夹，请点击上传图标，然后选择要上传的文件。
开发 Spark 笔记本代码
安装 Dataproc JupyterLab 插件后，您可以从 JupyterLab 启动器页面启动 Jupyter 笔记本，以开发应用代码。
PySpark 和 Python 代码开发
Dataproc Serverless 和 Dataproc on Compute Engine 集群支持 PySpark 内核。Compute Engine 上的 Dataproc 也支持 Python 内核。
点击 JupyterLab 启动器页面上的 Dataproc 无服务器笔记本或 Dataproc 集群笔记本部分中的 PySpark 卡片以打开 PySpark 笔记本。
点击 JupyterLab 启动器页面上的 Dataproc 集群笔记本部分中的 Python 内核卡片以打开 Python 笔记本。
SQL 代码开发
点击 JupyterLab 启动器页面的 Dataproc 无服务器笔记本或 Dataproc 集群笔记本部分中的 PySpark 内核卡片，以打开 PySpark 笔记本以编写和执行 SQL 代码。
Spark SQL 魔法：由于启动 Dataproc Serverless Notebooks 的 PySpark 内核预加载了 Spark SQL 魔法，因此您可以在单元格顶部输入 %%sparksql magic，然后在单元格中输入 SQL 语句，而不是使用 spark.sql('SQL STATEMENT').show() 来封装 SQL 语句。
BigQuery SQL：借助 BigQuery Spark 连接器，笔记本代码可以从 BigQuery 表加载数据、在 Spark 中执行分析，然后将结果写入 BigQuery 表。
Dataproc Serverless 2.1 运行时包含 BigQuery Spark 连接器。如果您使用 Dataproc Serverless 2.0 或更早的运行时来启动 Dataproc Serverless 笔记本，则可以通过将以下 Spark 属性添加到 Dataproc Serverless 运行时模板来安装 Spark BigQuery 连接器：
spark.jars: gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.25.2.jar
Scala 代码开发
使用映像版本 2.0、2.1 及更高版本创建的 Compute Engine 集群上的 Dataproc 包含 Apache Toree，这是一种适用于 Jupyter Notebook 平台的 Scala 内核，可提供对 Spark 的交互式访问权限。
点击 JupyterLab 启动器页面上 Dataproc 集群笔记本部分中的 Apache Toree 卡片，以打开笔记本以进行 Scala 代码开发。
Metadata Explorer
如果 Dataproc Metastore (DPMS) 实例附加到了 Dataproc 无服务器运行时模板或 Dataproc on Compute Engine 集群，则打开笔记本时，DPMS 实例架构会显示在 JupyterLab Metadata Explorer 中。DPMS 是 Google Cloud 上的一项全代管式可水平伸缩的 Hive Metastore (HMS) 服务。
如需在 Metadata Explorer 中查看 HMS 元数据，请执行以下操作：
在项目中启用 Data Catalog API。
在 DPMS 服务中启用 Data Catalog 同步。
在创建 Dataproc Serverless 运行时模板或创建 Dataproc on Compute Engine 集群时指定 DPMS 实例。
如需打开 JupyterLab Metadata Explorer，请点击边栏中的图标。
您可以在 Metadata Explorer 中搜索数据库、表或列。点击数据库、表或列名称以查看关联的元数据。
部署代码
安装 Dataproc JupyterLab 插件后，您可以使用 JupyterLab 执行以下操作：
在 Dataproc 无服务器基础架构上执行笔记本代码
将批量作业提交到 Dataproc 无服务器基础架构或您的 Dataproc on Compute Engine 集群。
在 Dataproc Serverless 上运行笔记本代码
点击 Run 图标或按 Shift-Return 键在笔记本单元中运行代码。
使用运行菜单在一个或多个笔记本单元中运行代码。
将批量作业提交到 Dataproc Serverless
点击 JupyterLab 启动器页面上 Dataproc 作业和会话部分中的无服务器卡片。
点击批次标签页，然后点击创建批次，并填写批次信息字段。
点击提交以提交作业。
将批量作业提交到 Dataproc on Compute Engine 集群
点击 JupyterLab 启动器页面上 Dataproc 作业和会话部分中的集群卡片。
点击作业标签页，然后点击提交作业。
选择一个集群，然后填写作业字段。
点击提交以提交作业。
查看和管理资源
安装 Dataproc JupyterLab 插件后，您可以从 JupyterLab 启动器页面上的 Dataproc 作业和会话部分查看和管理 Compute Engine 上的 Dataproc Serverless 和 Dataproc。
点击 Dataproc 作业和会话部分以显示集群和无服务器卡片。
如需查看和管理 Dataproc Serverless 会话，请执行以下操作：
- 点击无服务器卡片。
- 点击会话标签页，然后点击一个会话 ID，以打开会话详情页面，查看会话属性、在日志浏览器中查看 Google Cloud 日志以及终止会话。 注意：系统会创建一个唯一的 Dataproc Serverless 会话，以启动每个 Dataproc Serverless 笔记本。
如需查看和管理 Dataproc Serverless 批次，请执行以下操作：
- 点击批次标签页以查看当前项目和区域中 Dataproc Serverless 批次的列表。点击批次 ID 即可查看批次详情。
如需查看和管理 Dataproc on Compute Engine 集群，请执行以下操作：
- 点击集群卡片。选择集群标签页可列出当前项目和区域中活跃的 Dataproc on Compute Engine 集群。您可以点击操作列中的图标以启动、停止或重启集群。点击集群名称以查看集群详情。您可以点击操作列中的图标以克隆、停止或删除作业。
要查看和管理 Dataproc on Compute Engine 作业，请执行以下操作：
- 点击作业卡片可查看当前项目中的作业列表。点击作业 ID 即可查看作业详情。