运行 Apache Spark 批处理工作负载

了解如何使用 Dataproc Serverless 在 Dataproc 管理的计算基础架构上提交批处理工作负载，该基础架构会根据需要扩缩资源。

准备工作

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. 确保您将在其中运行工作负载的区域 VPC 子网已启用专用 Google 访问通道。如需了解详情，请参阅提交 Spark 批处理工作负载

提交 Spark 批处理工作负载

您可以使用 Google Cloud 控制台、Google Cloud CLI 或 Dataproc Serverless API 创建和提交 Dataproc Serverless for Spark 批处理工作负载。

注意 ：您可以使用控制台中的根据模板创建批量页面，根据已保存的模板运行并提交批量。如需了解详情，请参阅 Dataproc Serverless 模板 。

控制台

1. 在 Google Cloud 控制台中，前往 Dataproc 批处理。

2. 点击创建。

3. 选择并填写以下字段，提交用于计算 pi 近似值的 Spark 批处理工作负载：

   • 批处理信息：
     • 批处理 ID：为批处理工作负载指定一个 ID。此值必须为 4-63 个小写字符。有效字符为 /[a-z][0-9]-/。
     • 区域：选择将在其中运行工作负载的区域。
   • 容器：
     • 批处理类型：Spark。
     • 运行时版本：系统会选择默认的运行时版本。（可选）您可以指定非默认的 Dataproc Serverless 运行时版本。
     • 主要类：

       org.apache.spark.examples.SparkPi

     • jar 文件（此文件预安装在 Dataproc Serverless Spark 执行环境中）。

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

     • 参数：1000。
   • 执行配置：您可以指定要用于运行工作负载的服务账号。如果您未指定服务账号，则工作负载将在 Compute Engine 默认服务账号下运行。您的服务账号必须具有 Dataproc Worker 角色。

   • 网络配置：执行 Dataproc Serverless for Spark 工作负载的 VPC 子网必须启用 Google 专用访问通道 PGA，并满足 Dataproc Serverless for Spark 网络配置中列出的其他要求。

     主网络和子网选择器会列出所选工作负载区域中已启用专用 Google 访问通道的包含子网的网络。从列表中选择网络和子网。如果未列出任何网络和子网，您可以在当前所选工作负载区域中的 VPC 子网上启用专用 Google 访问通道，或将工作负载区域更改为已列出已启用 PGA 的子网的区域，然后选择该网络和子网。

   • 属性：输入要在 Spark 批处理工作负载上设置的受支持的 Spark 属性的 Key（属性名称）和 Value。注意：与 Dataproc on Compute Engine 集群属性不同，Dataproc Serverless for Spark 工作负载属性不包含 spark: 前缀。

   • 其他选项：

     • 您可以将批处理工作负载配置为使用外部自行管理的 Hive Metastore。
     • 您可以使用 Persistent History Server (PHS)。PHS 必须位于您运行批处理工作负载的区域。

4. 点击提交以运行 Spark 批处理工作负载。

gcloud

如需提交 Spark 批处理工作负载以计算 pi 的近似值，请在终端窗口或 Cloud Shell 中本地运行以下 gcloud CLI gcloud dataproc batches submit spark 命令。

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

注意：

• REGION: 指定将在其中运行工作负载的区域。
• 子网：执行 Dataproc Serverless for Spark 工作负载的 VPC 子网必须启用专用 Google 访问通道，并满足 Dataproc Serverless for Spark 网络配置中列出的其他要求。 如果 gcloud dataproc batches submit 命令中指定的区域的 default 网络子网未启用专用 Google 访问通道，您必须执行以下任一操作：
  • 为区域的默认网络子网启用专用 Google 访问通道，或
  • 使用 --subnet=SUBNET_URI 标志指定已启用专用 Google 访问通道的子网。您可以运行 gcloud compute networks describe <var>NETWORK_NAME</var> 命令以列出网络中子网的 URI。
• --jars：示例 JAR 文件预安装在 Spark 执行环境中，传递给 SparkPi 工作负载的 1000 命令参数指定了 pi 估算逻辑的 1000 次迭代（工作负载输入参数包含在“--”后面）。
• --properties：您可以添加此标志，输入要供 Spark 批处理工作负载使用的受支持的 Spark 属性。
• --deps-bucket：您可以添加此标志以指定一个 Cloud Storage 存储桶，Dataproc Serverless 将在其中上传工作负载依赖项。存储桶的 gs:// URI 前缀不是必需的；您可以指定存储桶路径或存储桶名称，例如“mybucketname”。运行批处理工作负载之前，Dataproc Serverless for Spark 会将本地文件上传到存储桶中的 /dependencies 文件夹。注意：如果您的批处理工作负载引用本地机器上的文件，则必须添加此标志。
• --ttl：您可以添加 --ttl 标志来指定批处理生命周期的时长。如果工作负载超出此时长，系统会无条件终止该工作负载，而不会等待正在进行的工作完成。使用 s、m、h 或 d（秒、分钟、小时或天）后缀指定时长。最小值为 10 分钟 (10m)，最大值为 14 天 (14d)。
  • 1.1 或 2.0 运行时批处理：如果未为 1.1 或 2.0 运行时批处理工作负载指定 --ttl，则允许该工作负载运行，直到其自然退出（如果不退出，则会永久运行）。
  • 2.1 及更高版本的运行时批处理作业：如果未为 2.1 或更高版本的运行时批处理工作负载指定 --ttl，则默认为 4h。
• --service-account：您可以指定要用于运行工作负载的服务账号。如果您未指定服务账号，则工作负载将在 Compute Engine 默认服务账号下运行。您的服务账号必须具有 Dataproc Worker 角色。
• 其他选项：您可以添加 gcloud dataproc batches submit spark 标志来指定其他工作负载选项和 Spark 属性。
  • Hive Metastore：以下命令将批处理工作负载配置为使用具有标准 Spark 配置的外部自行管理式 Hive Metastore。

    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 ...
            

  • Persistent History Server：
    1. 以下命令会在单节点 Dataproc 集群上创建 PHS。PHS 必须位于您运行批处理工作负载的区域，并且 Cloud Storage bucket-name 必须存在。

       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. 提交批处理工作负载，并指定正在运行的 Persistent History Server。

       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
                     

  • 运行时版本：使用 --version 标志为工作负载指定 Dataproc Serverless 运行时版本。

    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

本部分介绍如何使用 Dataproc Serverless for Spark batches.create` 创建批处理工作负载以计算 pi 的近似值

在使用任何请求数据之前，请先进行以下替换：

• project-id：Google Cloud 项目 ID。
• region：Dataproc Serverless 将在其中运行工作负载的 Compute Engine 区域。
注意：
• RuntimeConfig.containerImage：您可以使用 Docker 映像命名格式指定自定义容器映像：{hostname}/{project-id}/{image}:{tag}，例如“gcr.io/my-project-id/my-image:1.0.1”。 注意：您必须在 Container Registry 上托管自定义容器。
• ExecutionConfig.subnetworkUri：执行 Dataproc Serverless for Spark 工作负载的 VPC 子网必须启用专用 Google 访问通道 ，并满足 Dataproc Serverless for Spark 网络配置中列出的其他要求。 如果指定区域的 default 网络子网未启用专用 Google 访问通道，您必须执行以下任一操作：
  1. 为区域的默认网络子网启用专用 Google 访问通道，或
  2. 使用 ExecutionConfig.subnetworkUri 字段指定启用了专用 Google 访问通道的子网。您可以运行 gcloud compute networks describe [NETWORK_NAME] 命令以列出网络中子网的 URI。
• sparkBatch.jarFileUris：示例 jar 文件预安装在 Spark 执行环境中。“1000”sparkBatch.args 会传递给 SparkPi 工作负载，并指定 pi 估算逻辑的 1000 次迭代。
• RuntimeConfig.properties：您可以使用此字段输入要供 Spark 批处理工作负载使用的受支持的 Spark 属性。
• ExecutionConfig.serviceAccount：您可以指定要用于运行工作负载的服务账号。如果您未指定服务账号，则工作负载将在 Compute Engine 默认服务账号下运行。您的服务账号必须具有 Dataproc Worker 角色。
• EnvironmentConfig.ttl：您可以使用此字段指定批处理生命周期的持续时间。如果工作负载超出此时长，系统会无条件终止该工作负载，而不会等待正在进行的工作完成。将时长指定为 Duration 的 JSON 表示法。 最小值为 10 分钟，最大值为 14 天。
  • 1.1 或 2.0 运行时批处理：如果未为 1.1 或 2.0 运行时批处理工作负载指定 --ttl，则允许该工作负载运行到自然退出（如果不退出，则永久运行）。
  • 2.1 及更高版本的运行时批处理：如果未为 2.1 或更高版本的运行时批处理工作负载指定 --ttl，则默认为 4 小时。
• 其他选项：
  • 配置批处理工作负载以使用外部自行管理式 Hive Metastore。
  • 使用 Persistent History Server (PHS)。 PHS 必须位于您运行批处理工作负载的区域。
  • 在 batches.create 请求中使用 RuntimeConfig.version 字段指定非默认 Dataproc Serverless 运行时版本
  .

HTTP 方法和网址：

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

请求 JSON 正文：

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

如需发送您的请求，请展开以下选项之一：

curl（Linux、macOS 或 Cloud Shell）

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

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)

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

将请求正文保存在名为 request.json 的文件中，然后执行以下命令：

$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

您应该收到类似以下内容的 JSON 响应：

{
"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"
}

工作负载如何计算 Pi：Spark 工作负载使用 Monte Carlo 方法估算 Pi 的值。 它会在坐标平面上生成 `x,y` 点，该坐标平面可对由单位正方形包围的圆建模。输入参数 (`1000`) 决定要生成的 x,y 对的数量；生成的数量越多，估算的准确性就越高。如需了解详情，请参阅使用 Monte Carlo 方法估算 Pi 并参阅 GitHub 上的 JavaSparkPi.java。

估算工作负载费用

Dataproc Serverless for Spark 工作负载会消耗数据计算单元 (DCU) 和 shuffle 存储资源。如需查看输出 Dataproc UsageMetrics 以估算工作负载资源消耗和费用的示例，请参阅 Dataproc Serverless 价格。

后续步骤

了解：

• Dataproc Serverless 配额
• Spark 属性