Ejecuta una carga de trabajo por lotes de Apache Spark

Aprende a usar Dataproc Serverless para enviar una carga de trabajo por lotes a un Infraestructura de procesamiento administrada por Dataproc que escala recursos según sea necesario.

Antes de comenzar

1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

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

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

4. Habilita la API de Dataproc.

   Habilita la API

5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

6. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

7. Habilita la API de Dataproc.

   Habilita la API

Envía una carga de trabajo por lotes de Spark

Console

1. En la consola de Google Cloud, ve a Lotes de Dataproc. Haz clic en Crear. para abrir la página Crear lote.

2. Selecciona y completa los siguientes campos en la página para enviar un lote de Spark que calcule el valor aproximado de pi:

   • Información por lotes:
     • ID de lote: especifica un ID para tu carga de trabajo por lotes. Este valor debe ser de entre 4 y 63 caracteres en minúscula. Los caracteres válidos son /[a-z][0-9]-/.
     • Región: Selecciona una región en la que se ejecutará tu carga de trabajo.
   • Contenedor:
     • Tipo de lote: Spark.
     • Versión del entorno de ejecución: Se selecciona la versión predeterminada del entorno de ejecución. De manera opcional, puedes especificar un versión no predeterminada del entorno de ejecución de Dataproc Serverless.
     • Clase principal:

       org.apache.spark.examples.SparkPi

     • Archivos jar (este archivo está preinstalado en el entorno de ejecución de Spark sin servidores de Dataproc)

       file:///usr/lib/spark/examples/jars/spark-examples.jar

     • Argumentos: 1,000.
   • Configuración de ejecución: Puedes especificar un cuenta de servicio para ejecutar tu carga de trabajo. Si no especificas una cuenta de servicio, la carga de trabajo se ejecuta bajo el Cuenta de servicio predeterminada de Compute Engine.
   • Configuración de red: La subred de VPC que ejecuta Dataproc Serverless para las cargas de trabajo de Spark habilitarse para Acceso privado a Google y cumplas con los demás requisitos que se mencionan en Dataproc sin servidores para la configuración de redes de Spark. La lista de subredes muestra las subredes de la red seleccionada que están habilitadas para Acceso privado a Google.
   • Propiedades: Ingresa el Key (nombre de la propiedad) y el Value de Propiedades de Spark compatibles para configurar en tu carga de trabajo por lotes de Spark. Nota: A diferencia de Dataproc en Compute Engine propiedades del clúster Las propiedades de carga de trabajo de Dataproc Serverless para Spark no incluyen un spark: .
   • Otras opciones:
     • Puedes configurar la carga de trabajo por lotes para usar una red Hive Metastore autoadministrado.
     • Puedes usar un servidor de historial persistente (PHS). El PHS debe estar ubicado en la región en la que ejecutas las cargas de trabajo por lotes.

3. Haz clic en ENVIAR para ejecutar la carga de trabajo por lotes de Spark.

gcloud

Enviar una carga de trabajo por lotes de Spark para calcular el valor aproximado de pi, ejecuta la siguiente gcloud CLI gcloud dataproc batches submit spark de forma local en una ventana de terminal o en Cloud Shell.

gcloud dataproc batches submit spark \
    --region=REGION \
    --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
    --class=org.apache.spark.examples.SparkPi \
    -- 1000

Notas:

• REGION: Especifica la región. en la que se ejecutará tu carga de trabajo.
• Subred: La subred de VPC que ejecuta Dataproc Serverless para cargas de trabajo de Spark debe habilitar el Acceso privado a Google y cumplas con los demás requisitos que se mencionan en Dataproc sin servidores para la configuración de redes de Spark. Si la subred de la red default para la región especificada en el comando gcloud dataproc batches submit no está habilitada para Acceso privado a Google, debes realizar una de las siguientes acciones:
  • Habilitar la subred de la red predeterminada de la región para el Acceso privado a Google
  • Usa la marca --subnet=[SUBNET_URI] en el comando para especificar una subred que tenga habilitado el Acceso privado a Google. Puedes ejecutar gcloud compute networks describe [NETWORK_NAME] para mostrar los URI de las subredes en una red.
• --jars: El archivo JAR de ejemplo está preinstalado en el entorno de ejecución de Spark. El argumento del comando 1000 que se pasa a la carga de trabajo SparkPi especifica 1,000. iteraciones de la lógica de estimación de pi (los argumentos de entrada de las cargas de trabajo se incluido después de “-- ”).
• --properties: Puedes agregar --properties marca para ingresar Propiedades de Spark compatibles y quieres que use tu carga de trabajo por lotes de Spark.
• --deps-bucket: Puedes agregar esta marca a especificar un bucket de Cloud Storage en el que Dataproc Serverless subirán dependencias de cargas de trabajo. El prefijo de URI gs:// del bucket no es obligatoria; puedes especificar la ruta o el nombre del bucket por ejemplo, “nombredemibucket”. Dataproc Serverless para Spark sube la configuración archivos a una carpeta /dependencies del bucket antes de ejecutarlos la carga de trabajo por lotes. Nota: Esta marca es obligatoria si los lotes archivos de referencia de la carga de trabajo en tu máquina local.
• --ttl: Puedes agregar el elemento --ttl marca para especificar la duración de la vida útil del lote. Cuando la carga de trabajo supera durante este período, se finaliza incondicionalmente sin esperar el trabajo en curso para terminar. Especifica la duración con un s, m, h o d (segundos, minutos, horas o días). El valor mínimo es 10 minutos (10m). y el valor máximo es de 14 días (14d).
  • Lotes de entorno de ejecución 1.1 o 2.0: si no se especifica --ttl para una carga de trabajo por lotes del entorno de ejecución 1.1 o 2.0, la carga de trabajo puede ejecutarse hasta que se cierra naturalmente (o se ejecutará para siempre si no se sale).
  • Lotes de entorno de ejecución 2.1 o más: si no se especifica --ttl para una carga de trabajo por lotes del entorno de ejecución 2.1 o posterior, el valor predeterminado es 4h.
• Otras opciones: Puedes agregar gcloud dataproc batches submit de comandos para especificar otras opciones de cargas de trabajo y propiedades de Spark.
  • Hive Metastore: El siguiente comando configura una carga de trabajo por lotes para usar una Hive Metastore autoadministrado con una configuración estándar de Spark.

    gcloud dataproc batches submit \
        --properties=spark.sql.catalogImplementation=hive,spark.hive.metastore.uris=METASTORE_URI,spark.hive.metastore.warehouse.dir=WAREHOUSE_DIR> \
        other args ...
            

  • Servidor de historial persistente:
    1. El siguiente comando crea un PHS en un Dataproc de un solo nodo clúster. El PHS debe estar ubicado en la región en la que ejecutas las cargas de trabajo por lotes. y el bucket-name de Cloud Storage deben existen.

       gcloud dataproc clusters create PHS_CLUSTER_NAME \
           --region=REGION \
           --single-node \
           --enable-component-gateway \
           --properties=spark:spark.history.fs.logDirectory=gs://bucket-name/phs/*/spark-job-history
                    

    2. Envía una carga de trabajo por lotes y especifica el servidor de historial persistente en ejecución.

       gcloud dataproc batches submit spark \
           --region=REGION \
           --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
           --class=org.apache.spark.examples.SparkPi \
           --history-server-cluster=projects/project-id/regions/region/clusters/PHS-cluster-name \
           -- 1000
                     

  • Versión del entorno de ejecución: Usa la marca --version para especificar Dataproc Serverless del entorno de ejecución de la carga de trabajo.

    gcloud dataproc batches submit spark \
        --region=REGION \
        --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
        --class=org.apache.spark.examples.SparkPi \
        --version=VERSION
        -- 1000
                

API

En esta sección, se muestra cómo crear una carga de trabajo por lotes para calcular el valor aproximado de pi con Dataproc Serverless para Spark batches.create`

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

• project-id: Es un ID del proyecto de Google Cloud.
• region: Una región de Compute Engine en el que Dataproc Serverless ejecutará la carga de trabajo.
Notas:
• Custom-container-image: Especifica la imagen de contenedor personalizada con el Formato de nomenclatura de imágenes de Docker: {hostname}/{project-id}/{image}:{tag}, por ejemplo, “gcr.io/my-project-id/my-image:1.0.1”. Nota: El contenedor personalizado debe alojarse en Container Registry.
• Subred: La subred de VPC que ejecuta Dataproc Serverless para cargas de trabajo de Spark debe habilitar el Acceso privado a Google y cumplas con los demás requisitos que se mencionan en Dataproc sin servidores para la configuración de redes de Spark. Si el elemento default la subred de la red para la región especificada no está habilitada para Acceso privado a Google, debes realizar una de las siguientes acciones:
  1. Habilitar la subred de la red predeterminada de la región para el Acceso privado a Google
  2. Usa el ExecutionConfig.subnetworkUri para especificar una subred que tenga habilitado el Acceso privado a Google. Puedes ejecutar gcloud compute networks describe [NETWORK_NAME] para mostrar los URI de las subredes en una red.
• sparkBatch.jarFileUris: El archivo jar de ejemplo es preinstalado en el entorno de ejecución de Spark. Los "1,000" sparkBatch.args se pasa a la carga de trabajo de SparkPi y especifica 1, 000 iteraciones de la estimación de pi lógica.
• Spark properties: Puedes usar el RuntimeConfig.properties para ingresar Propiedades de Spark compatibles y quieres que use tu carga de trabajo por lotes de Spark.
• --ttl: Puedes usar el EnvironmentConfig.ttl para especificar la duración de la vida útil del lote. Cuando la carga de trabajo supera durante este período, se finaliza incondicionalmente sin esperar el trabajo en curso para terminar. Especifica la duración como la representación JSON para Duración: El valor mínimo es 10 minutos y el valor máximo es 14 días.
  • Lotes de entorno de ejecución 1.1 o 2.0: si no se especifica --ttl para una carga de trabajo por lotes del entorno de ejecución 1.1 o 2.0, la carga de trabajo puede ejecutarse hasta que se cierra naturalmente (o se ejecutará para siempre si no se sale).
  • Lotes de entorno de ejecución 2.1 o más: si no se especifica --ttl para una carga de trabajo por lotes del entorno de ejecución 2.1 o posterior, el valor predeterminado es de 4 horas.
• Otras opciones:
  • Configura la carga de trabajo por lotes para usar un y externa Hive Metastore autoadministrada.
  • Usar un servidor de historial persistente (PHS) El PHS debe estar ubicado en la región en la que ejecutas las cargas de trabajo por lotes.
  • Usa la RuntimeConfig.version. como parte de la solicitud batches.create para especificar una versión no predeterminada del entorno de ejecución de Dataproc Serverless
  .

Método HTTP y URL:

POST https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches

Cuerpo JSON de la solicitud:

{
  "sparkBatch":{
    "args":[
      "1000"
    ],
    "jarFileUris":[
      "file:///usr/lib/spark/examples/jars/spark-examples.jar"
    ],
    "mainClass":"org.apache.spark.examples.SparkPi"
  }
}

Para enviar tu solicitud, expande una de estas opciones:

curl (Linux, macOS o Cloud Shell)

Nota: Con el siguiente comando, se supone que accediste a la CLI de gcloud con tu cuenta de usuario a través de la ejecución de gcloud init o gcloud auth login, o a través del uso de Cloud Shell, que accede de forma automática a la CLI de gcloud. Para comprobar la cuenta activa actual, ejecuta gcloud auth list.

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches"

PowerShell (Windows)

Nota: El siguiente comando supone que accediste a la CLI de gcloud con tu cuenta de usuario mediante la ejecución de gcloud init o gcloud auth login. Para comprobar la cuenta activa actual, ejecuta gcloud auth list.

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches" | Select-Object -Expand Content

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

{
"name":"projects/project-id/locations/region/batches/batch-id",
  "uuid":",uuid",
  "createTime":"2021-07-22T17:03:46.393957Z",
  "sparkBatch":{
    "mainClass":"org.apache.spark.examples.SparkPi",
    "args":[
      "1000"
    ],
    "jarFileUris":[
      "file:///usr/lib/spark/examples/jars/spark-examples.jar"
    ]
  },
  "runtimeInfo":{
    "outputUri":"gs://dataproc-.../driveroutput"
  },
  "state":"SUCCEEDED",
  "stateTime":"2021-07-22T17:06:30.301789Z",
  "creator":"account-email-address",
  "runtimeConfig":{
    "properties":{
      "spark:spark.executor.instances":"2",
      "spark:spark.driver.cores":"2",
      "spark:spark.executor.cores":"2",
      "spark:spark.app.name":"projects/project-id/locations/region/batches/batch-id"
    }
  },
  "environmentConfig":{
    "peripheralsConfig":{
      "sparkHistoryServerConfig":{
      }
    }
  },
  "operation":"projects/project-id/regions/region/operation-id"
}

Cómo calcula la carga de trabajo el número pi: la carga de trabajo de Spark calcula un valor de pi usando la Método Monte Carlo. Genera puntos "x,y" en un plano cartesiano que modela un círculo rodeado de un cuadrado de unidad. El argumento de entrada (`1000`) determina la cantidad de pares x,y para generar; cuantos más pares se generen, mayor será la exactitud de la estimación. Para obtener más información, consulta Cómo estimar el número pi con el método de Montecarlo y ver JavaSparkPi.java en GitHub.

Estima los costos de la carga de trabajo

Dataproc Serverless para las cargas de trabajo de Spark consumen unidades de procesamiento de datos (DCU) y Shuffle de los recursos de almacenamiento. Para un de muestra que genera Dataproc, UsageMetrics para estimar el consumo de recursos y los costos de las cargas de trabajo consulta Precios de Dataproc Serverless .

¿Qué sigue?

Obtén más información acerca de los siguientes temas:

• Cuotas de Dataproc Serverless
• Propiedades de Spark