Exécuter une charge de travail par lot Apache Spark

Découvrez comment utiliser Dataproc sans serveur pour envoyer une charge de travail par lot sur un Infrastructure de calcul gérée par Dataproc qui fait évoluer les ressources selon les besoins

Avant de commencer

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

Envoyer une charge de travail par lot Spark

Console

1. Dans la console Google Cloud, accédez à Dataproc Batchs. Cliquez sur Créer. pour ouvrir la page Créer un lot.

2. Sélectionnez et remplissez les champs suivants sur la page pour envoyer une charge de travail par lot Spark qui calcule la valeur approximative de pi :

   • Informations sur le lot:
     • ID de lot : spécifiez un ID pour votre charge de travail par lot. Cette valeur doit être comprise entre 4 et 63 en minuscules. Les caractères valides sont /[a-z][0-9]-/.
     • Région: sélectionnez une région. où votre charge de travail sera exécutée.
   • Conteneur :
     • Type de lot : Spark.
     • Version d'exécution : la version d'exécution par défaut est sélectionnée. Vous pouvez éventuellement spécifier un Version d'exécution sans serveur de Dataproc autre que celle par défaut.
     • Classe principale :

       org.apache.spark.examples.SparkPi

     • Fichiers JAR (ce fichier est préinstallé dans l'environnement d'exécution Spark sans serveur Dataproc).

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

     • Arguments : 1 000.
   • Configuration de l'exécution:vous pouvez spécifier un compte de service à utiliser pour exécuter votre charge de travail. Si vous ne spécifiez pas de compte de service, la charge de travail s'exécute sous Compte de service Compute Engine par défaut.
   • Configuration réseau:le sous-réseau VPC qui exécute Dataproc sans serveur pour les charges de travail Spark doit être activé pour Accès privé à Google et de satisfaire aux autres exigences indiquées dans Configuration de réseau Dataproc sans serveur pour Spark La liste des sous-réseaux affiche les sous-réseaux du réseau sélectionné qui sont activés pour Accès privé à Google.
   • Properties (Propriétés) : saisissez les Key (nom de la propriété) et Value des propriétés Spark compatibles à définir sur votre charge de travail par lot Spark. Remarque : Contrairement aux propriétés de cluster Dataproc sur Compute Engine, les propriétés de charge de travail Dataproc sans serveur pour Spark n'incluent pas de préfixe spark:.
   • Autres options :
     • Vous pouvez configurer la charge de travail par lot pour utiliser Hive Metastore autogéré.
     • Vous pouvez utiliser un serveur d'historique persistant (PHS). Le PHS doit se trouver dans la région où vous exécutez des charges de travail par lot.

3. Cliquez sur ENVOYER pour exécuter la charge de travail par lot Spark.

gcloud

Pour envoyer une charge de travail par lot Spark afin de calculer la valeur approximative de pi, exécutez la gcloud CLI suivante : gcloud dataproc batches submit spark en local dans une fenêtre de terminal ou dans 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

Remarques :

• REGION: Spécifiez la région. où votre charge de travail sera exécutée.
• Sous-réseau : le sous-réseau VPC qui exécute les charges de travail Dataproc sans serveur pour Spark doit être activé pour l'accès privé à Google et répondre aux autres exigences indiquées dans la section Configuration du réseau Dataproc sans serveur pour Spark. Si le sous-réseau du réseau default pour le la région spécifiée dans la commande gcloud dataproc batches submit n'est pas activée pour Accès privé à Google, vous devez effectuer l'une des opérations suivantes:
  • activer le sous-réseau du réseau par défaut pour la région pour l'accès privé à Google ; ou
  • Utilisez l'option --subnet=[SUBNET_URI] dans la commande pour spécifier un sous-réseau sur lequel l'accès privé à Google est activé. Vous pouvez exécuter la commande gcloud compute networks describe [NETWORK_NAME] pour lister les URI des sous-réseaux d'un réseau.
• --jars:l'exemple de fichier JAR est préinstallé dans l'environnement d'exécution Spark. L'argument de commande 1000 transmis à la charge de travail SparkPi spécifie 1 000 des itérations de la logique d'estimation pi (les arguments d'entrée de la charge de travail inclus après "--").
• --properties:vous pouvez ajouter le --properties indicateur pour entrer propriétés Spark compatibles que votre charge de travail par lot Spark doit utiliser.
• --deps-bucket : vous pouvez ajouter cet indicateur pour spécifier un bucket Cloud Storage dans lequel Dataproc Serverless importera les dépendances de la charge de travail. Le préfixe d'URI gs:// du bucket n'est pas obligatoire. vous pouvez spécifier le chemin ou le nom du bucket, exemple : "nomdemonbucket". Dataproc sans serveur pour Spark importe l'instance dans un dossier /dependencies du bucket avant d'exécuter la charge de travail par lot. Remarque:Cet indicateur est obligatoire si votre traitement par lot de référence de charge de travail sur votre ordinateur local.
• --ttl:vous pouvez ajouter le --ttl pour spécifier la durée de vie du lot. Lorsque la charge de travail dépasse cette durée, elle est arrêtée sans condition, sans attendre la fin du travail en cours. Spécifiez la durée à l'aide d'un suffixe s, m, h ou d (secondes, minutes, heures ou jours). La valeur minimale est de 10 minutes (10m). et la valeur maximale est de 14 jours (14d).
  • Lots d'exécution 1.1 ou 2.0:si --ttl n'est pas spécifié pour une charge de travail par lot d'exécution 1.1 ou 2.0, la charge de travail est autorisée à s'exécuter jusqu'à sa fermeture naturellement (ou s'exécuter indéfiniment s'il ne se ferme pas).
  • Lots d'exécution : 2.1 et versions ultérieures : si --ttl n'est pas spécifié Pour une charge de travail par lot d'exécution 2.1 ou version ultérieure, la valeur par défaut est 4h.
• Autres options:vous pouvez ajouter gcloud dataproc batches submit pour spécifier d'autres options de charge de travail et les propriétés Spark.
  • Hive Metastore: la commande suivante configure une charge de travail par lot pour utiliser un Métastore Hive autogéré à l'aide d'une configuration Spark standard.

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

  • Persistent History Server (serveur d'historique persistant)
    1. La commande suivante crée un PHS sur un cluster Dataproc à nœud unique. Le PHS doit être situé dans la région où vous exécutez les charges de travail par lot, et le bucket-name Cloud Storage doit existent.

       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. Envoyez une charge de travail par lot en spécifiant votre serveur d'historique persistant en cours d'exécution.

       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
                     

  • Version d'exécution: Utilisez l'option --version pour spécifier le Dataproc sans serveur. version d'exécution de la charge de travail.

    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

Cette section explique comment créer une charge de travail par lot pour calculer la valeur approximative de pi à l'aide de Dataproc sans serveur pour Spark batches.create`

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

• project-id : ID de projet Google Cloud.
• region: région de Compute Engine où Dataproc sans serveur exécutera la charge de travail.
Remarques:
• Custom-container-image::spécifiez l'image de conteneur personnalisé à l'aide de la méthode Format de nommage des images Docker: {hostname}/{project-id}/{image}:{tag}, par exemple, "gcr.io/my-project-id/my-image:1.0.1". Remarque:Vous devez héberger votre conteneur personnalisé sur Container Registry.
• Sous-réseau: Le sous-réseau VPC qui exécute Dataproc sans serveur pour les charges de travail Spark doit Accès privé à Google et de satisfaire aux autres exigences indiquées dans Configuration du réseau Dataproc sans serveur pour Spark. Si le default le sous-réseau du réseau pour la région spécifiée n'est pas activé pour l'accès privé à Google, vous devez effectuer l'une des opérations suivantes:
  1. Activez le sous-réseau du réseau par défaut pour la région pour l'accès privé à Google.
  2. Utilisez le champ ExecutionConfig.subnetworkUri pour spécifier un sous-réseau sur lequel l'accès privé à Google est activé. Vous pouvez exécuter la commande gcloud compute networks describe [NETWORK_NAME] pour lister les URI des sous-réseaux d'un réseau.
• sparkBatch.jarFileUris : l'exemple de fichier JAR est préinstallé dans l'environnement d'exécution Spark. La valeur "1000" sparkBatch.args est transmise à la charge de travail SparkPi et spécifie 1 000 itérations de la logique d'estimation de pi.
• Spark properties:vous pouvez utiliser le RuntimeConfig.properties champ pour saisir propriétés Spark compatibles que votre charge de travail par lot Spark doit utiliser.
• --ttl : vous pouvez utiliser le champ EnvironmentConfig.ttl pour spécifier la durée de vie du lot. Lorsque la charge de travail dépasse sans condition, il est résilié sans condition travail en cours à terminer. Spécifiez la durée sous la forme de représentation JSON pour Durée. La valeur minimale est de 10 minutes et la valeur maximale de 14 jours.
  • Lot d'exécution 1.1 ou 2.0 : si --ttl n'est pas spécifié pour une charge de travail de lot d'exécution 1.1 ou 2.0, la charge de travail est autorisée à s'exécuter jusqu'à son arrêt naturel (ou à s'exécuter indéfiniment si elle ne s'arrête pas).
  • Lots d'exécution : 2.1 et versions ultérieures : si --ttl n'est pas spécifié pour une charge de travail par lot d'exécution de la version 2.1 ou ultérieure, la valeur par défaut est de 4 heures.
• Autres options :
  • Configurez la charge de travail par lot pour utiliser un Hive Metastore externe autogéré.
  • Utilisez un serveur d'historique persistant (PHS). Le PHS doit être situé dans la région où vous exécutez des charges de travail par lot.
  • Utilisez le RuntimeConfig.version dans la requête batches.create pour spécifier un Version d'exécution sans serveur de Dataproc autre que celle par défaut
  pour en savoir plus.

Méthode HTTP et URL :

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

Corps JSON de la requête :

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

Pour envoyer votre requête, développez l'une des options suivantes :

curl (Linux, macOS ou Cloud Shell)

Remarque : La commande suivante suppose que vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login, ou en utilisant Cloud Shell, qui vous connecte automatiquement à la CLI gcloud. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

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)

Remarque : La commande suivante suppose que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

$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

Vous devriez recevoir une réponse JSON de ce type :

{
"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"
}

Méthode de calcul de pi par la charge de travail : la charge de travail Spark estime une valeur de pi à l'aide de la méthode de Monte-Carlo. Elle génère des points "x,y" sur un plan de coordonnées représentant un cercle entouré de un carré unité. L'argument d'entrée ("1000") détermine le nombre de paires x,y à générer. Plus le nombre de paires générées est élevé, plus l'estimation est précise. Pour en savoir plus, consultez les pages Estimating Pi using the Monte Carlo Method (Estimer une valeur de pi en utilisant la méthode de Monte-Carlo) et JavaSparkPi.java on GitHub.

Estimer les coûts des charges de travail

Dataproc sans serveur pour les charges de travail Spark consomment des unités de calcul de données (DCU) et brassez les ressources de stockage. Pour une exemple de génération de code Dataproc UsageMetrics pour estimer la consommation des ressources et les coûts des charges de travail, consultez la page Tarifs de Dataproc sans serveur .

Étape suivante

Apprenez-en davantage sur les points suivants :

• Quotas Dataproc sans serveur
• Propriétés Spark