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

提交 Spark 批处理工作负载

控制台

1. 在 Google Cloud 控制台中，前往 Dataproc 批次。点击创建。 打开创建批次页面。

2. 选择并填写页面上的以下字段以提交用于计算 pi 近似值的 Spark 批处理工作负载：

   • 批处理信息：
     • 批处理 ID：指定批处理工作负载的 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：选择默认运行时版本。（可选）您可以指定非默认的 Dataproc Serverless 运行时版本。
     • 主类：

       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：1,000。
   • 执行配置：您可以指定 服务账号 来运行工作负载如果您不指定服务账号 运行于 Compute Engine 默认服务账号。
   • 网络配置：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。 子网列表将显示所选网络中已启用 专用 Google 访问通道。
   • Properties：输入 Key（属性名称）和 Value 支持的 Spark 属性 Spark 批处理工作负载上设置的资源。注意：与 Compute Engine 上的 Dataproc 不同 集群属性 Dataproc Serverless for Spark 工作负载属性不包含 spark: 前缀。
   • 其他选项：
     • 您可以将批量工作负载配置为使用外部 自行管理的 Hive Metastore 。
     • 您可以使用永久性历史记录服务器 (PHS)。 PHS 必须位于您运行批处理工作负载的区域。

3. 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 default 网络的子网 对于以下项目，均未启用 gcloud dataproc batches submit 命令中指定的区域 专用 Google 访问通道、 您必须执行以下操作之一：
  • 为区域的默认网络子网启用专用 Google 访问通道，或
  • 在命令中使用 --subnet=[SUBNET_URI] 标志来指定已启用专用 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。
• --jars：示例 JAR 文件已预安装在 Spark 执行环境中， 传递给 SparkPi 工作负载的 1000 命令参数指定 1000 pi 估算逻辑的迭代（工作负载输入参数 “-- ”）。
• --properties：您可以添加 --properties 输入标志 支持的 Spark 属性 Spark 批处理工作负载所需的资源。
• --deps-bucket：您可以将此标志添加到 指定 Dataproc Serverless 的 Cloud Storage 存储桶 将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”。Dataproc Serverless for Spark 可将 将文件复制到存储桶中的 /dependencies 文件夹，然后再运行 批量工作负载注意：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 标志以指定批处理生命周期的持续时间。当工作负载超出 则其将无条件终止，而不会等待 。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 运行时批次：如果未指定 --ttl 对于 1.1 或 2.0 运行时批量工作负载，允许该工作负载运行，直至其退出 （如果没有退出，则一直运行）。
  • 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作业指定 --ttl，则默认为 4h。
• 其他选项：您可以添加 gcloud dataproc batches submit 命令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 \
        --properties=spark.sql.catalogImplementation=hive,spark.hive.metastore.uris=METASTORE_URI,spark.hive.metastore.warehouse.dir=WAREHOUSE_DIR> \
        other args ...
            

  • Persistent History Server：
    1. 以下命令将在单节点 Dataproc 上创建 PHS 集群。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

本部分介绍如何创建批量工作负载 计算近似值 pi（使用 Dataproc Serverless for Spark） batches.create`

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：
• Custom-container-image：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。
• 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。
• Spark properties：您可以使用 RuntimeConfig.properties 要输入的字段 支持的 Spark 属性 Spark 批处理工作负载所用的资源。
• --ttl：您可以使用 EnvironmentConfig.ttl 字段指定批次生命周期的时长。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。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 运行时批次：如果未指定 --ttl 对于 1.1 或 2.0 运行时批量工作负载，允许该工作负载运行，直至其退出 （如果没有退出，则一直运行）。
  • 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 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。
  • 使用永久性历史记录服务器 (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 一个单位的方形。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 使用蒙特卡罗方法估算 Pi 看看 GitHub 上的 JavaSparkPi.java。

估算工作负载费用

Dataproc Serverless for Spark 工作负载会使用数据计算单元 (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