Esegui un carico di lavoro batch Apache Spark

Scopri come utilizzare Dataproc Serverless per inviare un carico di lavoro batch su un'infrastruttura di calcolo gestita da Dataproc che scala le risorse in base alle esigenze.

Prima di iniziare

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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. Make sure that billing is enabled for your Google Cloud project.

4. Enable the Dataproc API.

   Enable the 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. Make sure that billing is enabled for your Google Cloud project.

7. Enable the Dataproc API.

   Enable the API

8. Assicurati che nella subnet VPC regionale in cui eseguirai il tuo carico di lavoro sia attivo l'accesso privato Google. Per ulteriori informazioni, consulta Inviare un carico di lavoro batch di Spark

Invia un carico di lavoro batch Spark

Puoi utilizzare la console Google Cloud, Google Cloud CLI o l'API Dataproc Serverless per creare e inviare un carico di lavoro batch Dataproc Serverless per Spark.

Nota: puoi utilizzare la pagina Crea batch da modello nella console per eseguire l'invio di un batch in base a un modello salvato. Per saperne di più, consulta Modelli Dataproc Serverless .

Console

1. Nella console Google Cloud, vai a Dataproc Batches.

2. Fai clic su Crea.

3. Invia un carico di lavoro batch Spark che calcola il valore approssimativo di pi greco selezionando e compilando i seguenti campi:

   • Informazioni sul batch:
     • ID batch: specifica un ID per il carico di lavoro batch. Questo valore deve contenere da 4 a 63 caratteri in minuscolo. I caratteri validi sono /[a-z][0-9]-/.
     • Regione: seleziona una regione in cui verrà eseguito il tuo workload.
   • Contenitore:
     • Tipo di batch: Spark.
     • Versione del runtime: è selezionata la versione del runtime predefinita. Se vuoi, puoi specificare una versione del runtime Dataproc Serverless non predefinita.
     • Classe principale:

       org.apache.spark.examples.SparkPi

     • File JAR (questo file è preinstallato nell'ambiente di esecuzione Spark di Dataproc Serverless).

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

     • Argomenti: 1000.
   • Configurazione esecuzione:puoi specificare un account di servizio da utilizzare per eseguire il tuo carico di lavoro. Se non specifichi un account di servizio, il carico di lavoro viene eseguito con l'account di servizio predefinito di Compute Engine. Il tuo account di servizio deve avere il ruolo Dataproc Worker.

   • Configurazione di rete: la sottorete VPC che esegue i carichi di lavoro Dataproc Serverless per Spark deve essere abilitata per Private Google Access PGA e soddisfare gli altri requisiti elencati in Configurazione di rete di Dataproc Serverless per Spark.

     I selettori Rete principale e Subnet elencano le reti con subnet nella regione del carico di lavoro selezionata in cui è abilitato l'accesso privato Google. Seleziona una rete e una sottorete dall'elenco. Se non sono elencate reti e subnet, puoi attivare l'accesso privato Google su una subnet VPC nella regione di lavoro attualmente selezionata oppure cambiare la regione di lavoro in una regione con una subnet con accesso privato Google elencata e poi selezionare la rete e la subnet.

   • Proprietà: inserisci Key (nome della proprietà) e Value delle proprietà Spark supportate da impostare sul carico di lavoro batch Spark. Nota: a differenza delle proprietà dei cluster di Dataproc su Compute Engine, le proprietà del carico di lavoro di Dataproc Serverless per Spark non includono un prefisso spark:.

   • Altre opzioni:

     • Puoi configurare il carico di lavoro batch in modo da utilizzare un metastore Hive autogestito esterno.
     • Puoi utilizzare un server di cronologia permanente (PHS). Il PHS deve trovarsi nella regione in cui esegui i workload batch.

4. Fai clic su Invia per eseguire il carico di lavoro batch Spark.

gcloud

Per inviare un carico di lavoro batch di Spark per calcolare il valore approssimativo di pi, esegui il seguente comando gcloud CLI gcloud dataproc batches submit spark in locale in una finestra del terminale o in 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

Note:

• REGION: Specifica la regione in cui verrà eseguito il tuo workload.
• Subnet: la subnet VPC che esegue i carichi di lavoro Dataproc Serverless per Spark deve essere abilitata per l'accesso privato Google e soddisfare gli altri requisiti elencati in Configurazione di Dataproc Serverless per la rete Spark. Se la subnet della rete default per la regione specificata nel comando gcloud dataproc batches submit non è abilitata per Accesso privato Google, devi eseguire una delle seguenti operazioni:
  • Abilita la subnet della rete predefinita per la regione per l'accesso privato Google oppure
  • Utilizza il --subnet=SUBNET_URI flag per specificare una subnet in cui è abilitato l'accesso privato Google. Puoi eseguire il comando gcloud compute networks describe <var>NETWORK_NAME</var> per elencare gli URI delle subnet in una rete.
• --jars: il file JAR di esempio è preinstallato nell'ambiente di esecuzione Spark, l'argomento del comando 1000 passato al carico di lavoro SparkPi specifica 1000 iterazioni della logica di stima del pi (gli argomenti di input del carico di lavoro sono inclusi dopo "-- ").
• --properties: puoi aggiungere questo flag per inserire proprietà Spark supportate da utilizzare per il carico di lavoro batch Spark.
• --deps-bucket: puoi aggiungere questo flag per specificare un bucket Cloud Storage in cui Dataproc Serverless carica le dipendenze del carico di lavoro. Il prefisso URI gs:// del bucket non è obbligatorio; puoi specificare il percorso o il nome del bucket, ad esempio "mybucketname". Prima di eseguire il carico di lavoro batch, Dataproc Serverless per Spark carica i file locali in una cartella /dependencies nel bucket. Nota: questo flag è obbligatorio se il tuo workload batch fa riferimento a file sul tuo computer locale.
• --ttl: puoi aggiungere il --ttl flag per specificare la durata del lifetime del batch. Quando il carico di lavoro supera questa durata, viene terminato incondizionatamente senza attendere il completamento del lavoro in corso. Specifica la durata utilizzando un suffisso s, m, h o d (secondi, minuti, ore o giorni). Il valore minimo è 10 minuti (10m) e il valore massimo è 14 giorni (14d).
  • Batch di runtime 1.1 o 2.0: se non viene specificato --ttl per un carico di lavoro batch di runtime 1.1 o 2.0, il carico di lavoro può essere eseguito fino a quando non esce in modo naturale (o per sempre se non esce).
  • Esecuzioni batch di runtime 2.1 e versioni successive: se non viene specificato --ttl per un carico di lavoro batch di runtime 2.1 o versioni successive, il valore predefinito è 4h.
• --service-account: puoi specificare un account di servizio da utilizzare per eseguire il tuo carico di lavoro. Se non specifichi un account di servizio, il carico di lavoro viene eseguito con l'account di servizio predefinito di Compute Engine. Il tuo account di servizio deve avere il ruolo Dataproc Worker.
• Altre opzioni: puoi aggiungere parametri gcloud dataproc batches submit spark per specificare altre opzioni di carico di lavoro e proprietà Spark.
  • Metastore Hive: il seguente comando configura un carico di lavoro batch per l'utilizzo di un metastore Hive autogestito esterno utilizzando una configurazione Spark standard.

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

  • Server di cronologia permanente:
    1. Il seguente comando crea un PHS su un cluster Dataproc con un solo nodo. La PHS deve trovarsi nella regione in cui esegui i carichi di lavoro batch e il bucket Cloud Storage bucket-name deve esistere.

       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. Invia un carico di lavoro batch specificando il server di cronologia permanente in esecuzione.

       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
                     

  • Versione del runtime: utilizza il flag --version per specificare la versione del runtime Dataproc Serverless per il carico di lavoro.

    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

Questa sezione mostra come creare un carico di lavoro batch per calcolare il valore approssimativo di pi utilizzando Dataproc Serverless per Spark batches.create.

Prima di utilizzare i dati della richiesta, apporta le seguenti sostituzioni:

• project-id: un ID progetto Google Cloud.
• region: una regione Compute Engine in cui Dataproc Serverless eseguirà il carico di lavoro.
Note:
• RuntimeConfig.containerImage: Puoi specificare un'immagine contenitore personalizzata utilizzando il formato di denominazione delle immagini Docker: {hostname}/{project-id}/{image}:{tag}, ad esempio "gcr.io/my-project-id/my-image:1.0.1". Nota: devi ospitare il container personalizzato su Container Registry.
• ExecutionConfig.subnetworkUri: la sottorete VPC che esegue i carichi di lavoro Dataproc Serverless per Spark deve essere abilitata per Accesso privato Google e soddisfare gli altri requisiti elencati in Configurazione di rete di Dataproc Serverless per Spark. Se la subnet della rete default per la regione specificata non è abilitata per Accesso privato Google, devi eseguire una delle seguenti operazioni:
  1. Abilita la subnet della rete predefinita per la regione per l'accesso privato Google oppure
  2. Utilizza il ExecutionConfig.subnetworkUri campo per specificare una subnet in cui è abilitato l'accesso privato Google. Puoi eseguire il comando gcloud compute networks describe [NETWORK_NAME] per elencare gli URI delle subnet in una rete.
• sparkBatch.jarFileUris: il file jar di esempio è preinstallato nell'ambiente di esecuzione Spark. Il valore "1000" sparkBatch.args viene passato al carico di lavoro SparkPi e specifica 1000 iterazioni della logica di stima di pi.
• RuntimeConfig.properties: puoi utilizzare questo campo per inserire le proprietà Spark supportate da utilizzare per il tuo carico di lavoro batch di Spark.
• ExecutionConfig.serviceAccount: puoi specificare un account di servizio da utilizzare per eseguire il tuo carico di lavoro. Se non specifichi un account di servizio, il carico di lavoro viene eseguito con l'account di servizio predefinito di Compute Engine. Il tuo account di servizio deve avere il ruolo Dataproc Worker.
• EnvironmentConfig.ttl: puoi utilizzare questo campo per specificare la durata del lifetime del batch. Quando il carico di lavoro supera questa durata, viene terminato incondizionatamente senza attendere il completamento del lavoro in corso. Specifica la durata come rappresentazione JSON per Duration. Il valore minimo è 10 minuti e il valore massimo è 14 giorni.
  • Batch di runtime 1.1 o 2.0: se non viene specificato --ttl per un carico di lavoro batch di runtime 1.1 o 2.0, il carico di lavoro può essere eseguito fino all'uscita naturale (o per sempre se non esce).
  • Esecuzioni batch di runtime 2.1 e versioni successive: se non viene specificato --ttl per un carico di lavoro di esecuzione batch di runtime 2.1 o versioni successive, il valore predefinito è 4 ore.
• Altre opzioni:
  • Configura il carico di lavoro batch in modo da utilizzare un Metastore Hive autogestito esterno.
  • Utilizzare un server di cronologia permanente (PHS). Il PHS deve trovarsi nella regione in cui esegui i workload batch.
  • Utilizza il campo RuntimeConfig.version all'interno della richiesta batches.create per specificare una versione del runtime Dataproc Serverless non predefinita
  .

Metodo HTTP e URL:

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

Corpo JSON della richiesta:

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

Per inviare la richiesta, espandi una di queste opzioni:

curl (Linux, macOS o Cloud Shell)

Nota: il seguente comando presuppone che tu abbia eseguito l'accesso all'interfaccia a riga di comando gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login oppure utilizzando Cloud Shell, che ti consente di accedere automaticamente all'interfaccia a riga di comando gcloud. Puoi controllare l'account attualmente attivo eseguendo gcloud auth list.

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

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: il comando seguente presuppone che tu abbia eseguito l'accesso alla CLI gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login . Puoi controllare l'account attualmente attivo eseguendo gcloud auth list.

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

$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

Dovresti ricevere una risposta JSON simile alla seguente:

{
"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"
}

Come il carico di lavoro calcola Pi: il carico di lavoro Spark stima il valore di Pi utilizzando il metodo Monte Carlo. Genera i punti "x,y" su un piano di coordinate che modella un cerchio racchiuso in un quadrato unitario. L'argomento di input ("1000") determina il numero di coppie x,y da generare; più coppie vengono generate, più accurata è la stima. Per ulteriori informazioni, consulta Stimare il valore Pi utilizzando il metodo Monte Carlo e consulta JavaSparkPi.java su GitHub.

Stima i costi del workload

I carichi di lavoro Dataproc Serverless per Spark consumano unità di calcolo dei dati (DCU) e risorse di archiviazione per lo shuffling. Per un esempio che genera UsageMetrics di Dataproc per stimare i costi e il consumo delle risorse del workload, consulta Prezzi di Dataproc Serverless.

Passaggi successivi

Scopri di più su:

• Quote di Dataproc Serverless
• Proprietà Spark