使用 Dataproc JupyterLab 插件实现无服务器的批量和交互式笔记本会话

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

  1. 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。
  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Enable the Dataproc API.

    Enable the API

  4. Install the Google Cloud CLI.
  5. To initialize the gcloud CLI, run the following command:

    gcloud init
  6. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  7. Enable the Dataproc API.

    Enable the API

  8. Install the Google Cloud CLI.
  9. To initialize the gcloud CLI, run the following command:

    gcloud init

安装 Dataproc JupyterLab 插件

您可以在有权访问 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:

  1. 确保您的机器上已安装 Python 3.8+。您可以下载 并从 python.org/downloads

    1. 验证 Python 3.8 或更高版本的安装情况。

      python3 --version
  2. 在您的机器上安装 JupyterLab 3.6.3+

    pip3 install --upgrade jupyterlab
    1. 验证 JupyterLab 3.6.3 及更高版本的安装。

      pip3 show jupyterlab
  3. 安装 Dataproc JupyterLab 插件。

    pip3 install dataproc-jupyter-plugin
    1. 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
  4. 启动 JupyterLab

    jupyter lab
    1. JupyterLab 启动器页面会在浏览器中打开。其中包含 Dataproc 作业和会话部分。如果您有权访问 Dataproc Serverless 笔记本或在项目中运行 Jupyter 可选组件的 Dataproc 集群,该标签页还可能包含 Dataproc Serverless NotebooksDataproc Cluster Notebooks 部分。

    2. 默认情况下,您的 Dataproc Serverless for Spark Interactive 会话会在您在开始前须知部分运行 gcloud init 时设置的项目和区域中运行。您可以在 JupyterLab 的设置 > Dataproc 设置页面更改会话的项目和区域设置。

创建 Dataproc Serverless 运行时模板

Dataproc 无服务器运行时模板(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

  1. 点击 Dataproc 无服务器笔记本中的 New runtime template 卡片 部分(位于 JupyterLab 启动器页面上)。

  2. 填写运行时模板表单。

  3. 指定显示名称说明,然后输入或确认其他设置。

    注意:

    • 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)。

      如果您在开始前准备工作中运行 gcloud init 时配置的区域的 default 网络子网未启用专用 Google 访问通道,请执行以下操作:

      • 为专用 Google 访问通道启用该功能,或
      • 选择另一个具有已启用专用 Google 访问通道的区域子网的网络。 您可以更改 Dataproc Serverless 使用的区域 从 JupyterLab 设置 >Dataproc 设置页面。
    • Metastore:如需使用 Dataproc Metastore 服务 在会话中,选择 Metastore 项目 ID、区域和服务。

    • 空闲时间上限:会话终止前的笔记本空闲时间上限。允许范围:10 分钟到 336 小时(14 天)。

    • 会话时长上限:在会话结束之前,会话的最长生命周期 已终止。允许范围:10 分钟到 336 小时(14 天)。

    • PHS:您可以选择一个可用的 永久性 Spark 历史记录服务器 让您可以在会话期间和会话之后访问会话日志。

    • Spark 属性:为要为无服务器 Spark 会话设置的每个属性点击添加属性。如需查看支持和不支持的 Spark 属性的列表,包括 Spark 运行时、资源和自动扩缩属性,请参阅 Spark 属性

    • 标签:针对要设置的各个标签点击添加标签 您的无服务器 Spark 会话。

  4. 设置 >Dataproc 设置 页面。

    • 您可以从模板的操作菜单中删除模板。
  5. 点击保存

  6. 打开并重新加载 JupyterLab 启动器页面,以查看已保存的笔记本模板 JupyterLab 启动器页面上的卡片。

gcloud

  1. 使用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
    

    复杂的 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
    

    如果您在准备工作中运行 gcloud init 时配置的区域的 default 网络子网未启用专用 Google 访问通道,请执行以下操作:

    • 为专用 Google 访问通道启用,或者
    • 请选择其他具有已启用专用 Google 访问通道的区域级子网的网络。 您可以更改 Dataproc Serverless 使用的区域 从 JupyterLab 设置 >Dataproc 设置页面。
  2. 在本地或 Cloud Shell 中运行以下 gcloud beta dataproc session-templates import 命令,从 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
    

启动和管理笔记本

安装 Dataproc JupyterLab 插件后,您可以点击 JupyterLab Launcher 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 Serverless Notebooks 部分会显示与 Dataproc Serverless 运行时模板对应的笔记本模板卡片(请参阅创建 Dataproc Serverless 运行时模板)。

  1. 点击卡片即可创建 Dataproc Serverless 会话以及 启动笔记本。会话创建完成且记事本内核可供使用后,内核状态会从 Unknown 更改为 Idle

  2. 编写和测试笔记本代码。

    1. 将以下 PySpark Pi estimation 代码复制并粘贴到 PySpark 笔记本单元中,然后按 Shift+Enter 运行代码。

      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:

  3. 创建和使用笔记本后,您可以终止笔记本会话 点击内核标签页中的关闭内核

    • 如果您未终止会话,Dataproc 会在会话空闲计时器到期时终止会话。您可以配置会话 运行时模板配置。 默认会话空闲时间为 1 小时。

在 Dataproc on Compute Engine 集群上启动笔记本

如果您创建了 Dataproc on Compute Engine Jupyter 集群,则 JupyterLab Launcher 页面会包含一个包含预安装的 kernel 卡片的 Dataproc Cluster Notebook 部分。

要在您的 Dataproc 上启动 Jupyter 笔记本,请执行以下操作: Compute Engine 集群:

  1. 点击 Dataproc 集群笔记本部分中的卡片。

  2. 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了。

  3. 创建和使用笔记本后,您可以终止笔记本会话 点击内核标签页中的关闭内核

在 Cloud Storage 中管理输入和输出文件

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 访问这些文件 Cloud Storage 中的资源。

  • 如需访问 Cloud Storage 浏览器,请点击 JupyterLab Launcher 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。保存对文件所做的更改后,系统会将其写入 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 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 Launcher 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。在 Compute Engine 上使用 Dataproc 也支持 Python 内核。

SQL 代码开发

点击 Dataproc 无服务器笔记本Dataproc 集群笔记本 JupyterLab 启动器页面的部分 来打开 PySpark 笔记本以编写和执行 SQL 代码。

Spark SQL 魔法:由于启动 Dataproc 无服务器笔记本的 PySpark 内核预加载了 Spark SQL 魔法,因此您可以先在单元格的顶部输入 %%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:BigQuery Spark 连接器可让您的笔记本代码加载数据 在 Spark 中执行分析,然后写入结果 导出到 BigQuery 表。

Dataproc Serverless 2.1 运行时包含 BigQuery Spark 连接器。如果您使用 Dataproc 无服务器 2.0 或更早的运行时来启动 Dataproc Serverless 笔记本, 则可以通过添加以下 Spark 属性来安装 Spark BigQuery 连接器 Dataproc 无服务器运行时模板

spark.jars: gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.25.2.jar

Scala 代码开发

使用映像创建的 Compute Engine 集群上的 Dataproc 版本 2.0+、2.1+ 和更高版本,包括 Apache Toree、 Jupyter 笔记本平台的 Scala 内核,提供交互式访问 至 Spark。

  • 在 JupyterLab Launcher 页面的 Dataproc Cluster Notebook 部分中,点击 Apache Toree 卡片,以打开用于 Scala 代码开发的笔记本。

元数据浏览器

如果是 Dataproc Metastore (DPMS) 实例, 已附加到 Dataproc 无服务器运行时模板 Dataproc on Compute Engine 集群,DPMS 实例架构 会在打开笔记本时显示在 JupyterLab Metadata Explorer。DPMS 是一种 可横向伸缩全托管式 Hive Metastore (HMS) 服务, Google Cloud

如需在元数据浏览器中查看 HMS 元数据,请执行以下操作:

如需打开 JupyterLab 元数据浏览器,请点击边栏中的相应图标。

您可以在元数据浏览器中搜索数据库、表或列。点击数据库、表或列名称可查看关联的元数据。

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 Serverless 基础架构上执行笔记本代码

  • 将批量作业提交到 Dataproc Serverless Infrastructure 或 Dataproc on Compute Engine 集群。

在 Dataproc Serverless 上运行笔记本代码

  • 点击运行图标或按 Shift-Enter 键,即可在笔记本单元格中运行代码。

  • 您可以使用 Run 菜单在一个或多个笔记本单元中运行代码。

将批处理作业提交到 Dataproc Serverless

  • 在 JupyterLab Launcher 页面的 Dataproc Jobs and Sessions 部分中,点击 Serverless 卡片。

  • 点击批量标签页,然后点击创建批量,并填写批量信息字段。

  • 点击提交以提交作业。

将批处理作业提交到 Dataproc on Compute Engine 集群

  • 在 JupyterLab Launcher 页面的 Dataproc 作业和会话部分中,点击 Clusters 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, 你可以在 Compute Engine 上查看和管理 Dataproc Serverless 和 Data 从 JupyterLab 启动器页面上的 Dataproc 作业和会话部分选择。

点击 Dataproc 作业和会话部分以显示集群无服务器卡。

如需查看和管理 Dataproc Serverless 会话,请执行以下操作:

  1. 点击无服务器卡片。
  2. 点击会话标签页,然后点击某个会话 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 会话来启动每个 Dataproc Serverless 笔记本。

如需查看和管理 Dataproc Serverless 批次,请执行以下操作:

  1. 点击批次标签页,以查看 当前项目和区域。点击批次 ID 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:

  1. 点击集群卡片。选择集群标签页以列出 Compute Engine 集群上处于活跃状态的 Dataproc 当前项目和区域。您可以点击操作列中的图标来启动、停止或重启集群。点击集群名称可查看集群详情。您可以点击操作列中的图标 来克隆、停止或删除作业。

如需查看和管理 Dataproc on Compute Engine 作业,请执行以下操作:

  1. 点击作业卡片以查看 当前项目。点击作业 ID 查看作业详情。