Componente Flink facoltativo di Dataproc

Puoi attivare componenti aggiuntivi come Flink quando crei un cluster Dataproc utilizzando la funzionalità Componenti facoltativi. Questa pagina illustra come creare un cluster Dataproc con il componente facoltativo Apache Flink attivato (un cluster Flink) ed eseguire job Flink sul cluster.

Puoi utilizzare il tuo cluster Flink per:

  1. Esegui job Flink utilizzando la risorsa Jobs Dataproc dalla console Google Cloud, da Google Cloud CLI o dall'API Dataproc.

  2. Esegui i job Flink utilizzando l'interfaccia a riga di comando flink in esecuzione sul nodo master del cluster Flink.

  3. Eseguire job Apache Beam su Flink

  4. Esegui Flink su un cluster Kerberized

Puoi utilizzare la console Google Cloud, Google Cloud CLI o l'API Dataproc per creare un cluster Dataproc con il componente Flink attivato.

Consiglio:utilizza un cluster di VM con un master standard con il componente Flink. I cluster Dataproc in modalità ad alta disponibilità (con 3 VM master) non supportano la modalità ad alta disponibilità di Flink.

Puoi eseguire job Flink utilizzando la risorsa Jobs Dataproc dalla console Google Cloud, da Google Cloud CLI o dall'API Dataproc.

Console

Per inviare un job di conteggio delle parole Flink di esempio dalla console:

  1. Apri la pagina Dataproc Invia un job nella console Google Cloud nel browser.

  2. Compila i campi nella pagina Invia un job:

    1. Seleziona il nome del cluster dall'elenco dei cluster.
    2. Imposta Tipo di job su Flink.
    3. Imposta Classe principale o jar su org.apache.flink.examples.java.wordcount.WordCount.
    4. Imposta File jar su file:///usr/lib/flink/examples/batch/WordCount.jar.
      • file:/// indica un file situato nel cluster. Dataproc ha installato WordCount.jar durante la creazione del cluster Flink.
      • Questo campo accetta anche un percorso Cloud Storage (gs://BUCKET/JARFILE) o un percorso Hadoop Distributed File System (HDFS) (hdfs://PATH_TO_JAR).

  3. Fai clic su Invia.

    • L'output del driver del job viene visualizzato nella pagina Dettagli job.
    • I job Flink sono elencati nella pagina Job di Dataproc nella console Google Cloud.
    • Fai clic su Interrompi o Elimina nella pagina Job o Dettagli job per interrompere o eliminare un job.

gcloud

Per inviare un job Flink a un cluster Flink Dataproc, esegui il comando gcloud CLI gcloud dataproc jobs submit localmente in una finestra del terminale o in Cloud Shell. 

gcloud dataproc jobs submit flink \
    --cluster=CLUSTER_NAME \
    --region=REGION \
    --class=MAIN_CLASS \
    --jar=JAR_FILE \
    -- JOB_ARGS

Note:

  • CLUSTER_NAME: specifica il nome del cluster Flink Dataproc a cui inviare il job.
  • REGION: specifica una regione Compute Engine in cui si trova il cluster.
  • MAIN_CLASS: specifica la classe main della tua applicazione Flink, ad esempio:
    • org.apache.flink.examples.java.wordcount.WordCount
  • JAR_FILE: specifica il file jar dell'applicazione Flink. Puoi specificare:
    • Un file jar installato nel cluster, utilizzando il prefisso file:///`:
      • file:///usr/lib/flink/examples/streaming/TopSpeedWindowing.jar
      • file:///usr/lib/flink/examples/batch/WordCount.jar
    • Un file JAR in Cloud Storage: gs://BUCKET/JARFILE
    • Un file jar in HDFS: hdfs://PATH_TO_JAR

  • JOB_ARGS: facoltativo, aggiungi gli argomenti del job dopo il doppio trattino (--).

  • Dopo l'invio del job, l'output del driver del job viene visualizzato nel terminal locale o Cloud Shell.

    Program execution finished
Job with JobID 829d48df4ebef2817f4000dfba126e0f has finished.
Job Runtime: 13610 ms
...
(after,1)
(and,12)
(arrows,1)
(ay,1)
(be,4)
(bourn,1)
(cast,1)
(coil,1)
(come,1)

REST

Questa sezione mostra come inviare un job Flink a un cluster Flink Dataproc utilizzando l'API Dataproc jobs.submit.

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

  • PROJECT_ID: ID progetto Google Cloud
  • REGION: regione del cluster
  • CLUSTER_NAME: specifica il nome del cluster Flink Dataproc a cui inviare il job

Metodo HTTP e URL: 

POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID/regions/REGION/jobs:submit

Corpo JSON della richiesta: 

{
  "job": {
    "placement": {
      "clusterName": "CLUSTER_NAME"
    },
    "flinkJob": {
      "mainClass": "org.apache.flink.examples.java.wordcount.WordCount",
      "jarFileUris": [
        "file:///usr/lib/flink/examples/batch/WordCount.jar"
      ]
    }
  }
}

Per inviare la richiesta, espandi una di queste opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "reference": {
    "projectId": "PROJECT_ID",
    "jobId": "JOB_ID"
  },
  "placement": {
    "clusterName": "CLUSTER_NAME",
    "clusterUuid": "CLUSTER_UUID"
  },
  "flinkJob": {
    "mainClass": "org.apache.flink.examples.java.wordcount.WordCount",
    "args": [
      "1000"
    ],
    "jarFileUris": [
      "file:///usr/lib/flink/examples/batch/WordCount.jar"
    ]
  },
  "status": {
    "state": "PENDING",
    "stateStartTime": "2020-10-07T20:16:21.759Z"
  },
  "jobUuid": "JOB_UUID"
}
  • I job Flink sono elencati nella pagina Job di Dataproc nella console Google Cloud.
  • Puoi fare clic su Interrompi o Elimina nella pagina Job o Dettagli job nella console Google Cloud per interrompere o eliminare un job.

Anziché eseguire job Flink utilizzando la risorsa Jobs Dataproc, puoi eseguire job Flink sul nodo principale del tuo cluster Flink utilizzando l'interfaccia a riga di comando flink.

Le seguenti sezioni descrivono diversi modi per eseguire un job flink CLI sul tuo cluster Flink di Dataproc.

  1. Accedi al nodo principale tramite SSH:utilizza l'utilità SSH per aprire una finestra del terminale sulla VM master del cluster.

  2. Imposta il percorso di classe: inizializza il percorso di classe Hadoop dalla finestra del terminale SSH sulla VM master del cluster Flink:

    export HADOOP_CLASSPATH=$(hadoop classpath)

  3. Esegui job Flink: puoi eseguire job Flink in diverse modalità di deployment su YARN: applicazione, per job e sessione.

    1. Modalità applicazione: la modalità applicazione Flink è supportata dalla versione 2.0 e successive dell'immagine Dataproc. Questa modalità esegue il metodo main() del job sul Job Manager YARN. Il cluster si arresta al termine del job.

      Esempio di invio del job:

      flink run-application \
    -t yarn-application \
    -Djobmanager.memory.process.size=1024m \
    -Dtaskmanager.memory.process.size=2048m \
    -Djobmanager.heap.mb=820 \
    -Dtaskmanager.heap.mb=1640 \
    -Dtaskmanager.numberOfTaskSlots=2 \
    -Dparallelism.default=4 \
    /usr/lib/flink/examples/batch/WordCount.jar

      Elenca i job in esecuzione:

      ./bin/flink list -t yarn-application -Dyarn.application.id=application_XXXX_YY

      Per annullare un job in esecuzione:

      ./bin/flink cancel -t yarn-application -Dyarn.application.id=application_XXXX_YY <jobId>

    2. Modalità per job:questa modalità Flink esegue il metodo main() del job lato client.

      Esempio di invio del job:

      flink run \
    -m yarn-cluster \
    -p 4 \
    -ys 2 \
    -yjm 1024m \
    -ytm 2048m \
    /usr/lib/flink/examples/batch/WordCount.jar

    3. Modalità sessione:avvia una sessione Flink YARN di lunga durata, quindi invia uno o più job alla sessione.

      1. Avvia una sessione:puoi avviare una sessione Flink in uno dei seguenti modi:

        1. Crea un cluster Flink aggiungendo il flag --metadata flink-start-yarn-session=true al comando gcloud dataproc clusters create (consulta Creare un cluster Flink Dataproc). Con questo flag attivo, dopo la creazione del cluster, Dataproc esegue /usr/bin/flink-yarn-daemon per avviare una sessione Flink sul cluster.

          L'ID applicazione YARN della sessione viene salvato in /tmp/.yarn-properties-${USER}. Puoi elencare l'ID con il comando yarn application -list.

        2. Esegui lo script Flink yarn-session.sh preinstallato sulla VM master del cluster con impostazioni personalizzate:

          Esempio con impostazioni personalizzate:

          /usr/lib/flink/bin/yarn-session.sh \
    -s 1 \
    -jm 1024m \
    -tm 2048m \
    -nm flink-dataproc \
    --detached

        3. Esegui lo script wrapper Flink /usr/bin/flink-yarn-daemon con le impostazioni predefinite:

          . /usr/bin/flink-yarn-daemon

      2. Invia un job a una sessione:esegui il seguente comando per inviare un job Flink alla sessione.

        flink run -m <var>FLINK_MASTER_URL</var>/usr/lib/flink/examples/batch/WordCount.jar
        • FLINK_MASTER_URL: l'URL, inclusi host e porta, della VM master Flink in cui vengono eseguiti i job. Rimuovi http:// prefix dall'URL. Questo URL è elencato nell'output del comando quando avvii una sessione Flink. Puoi eseguire il seguente comando per elencare questo URL nel campo Tracking-URL:
        yarn application -list -appId=<yarn-app-id> | sed 's#http://##'
   ```

      3. Elenca i job in una sessione:per elencare i job Flink in una sessione, esegui una delle seguenti operazioni:

        • Esegui flink list senza argomenti. Il comando cerca l'ID applicazione YARN della sessione in /tmp/.yarn-properties-${USER}.

        • Ottieni l'ID applicazione YARN della sessione da /tmp/.yarn-properties-${USER} o dall'output di yarn application -list, quindi esegui <code>flink list -yid YARN_APPLICATION_ID.

        • Esegui flink list -m FLINK_MASTER_URL.

      4. Interrompi una sessione: per interrompere la sessione, ottieni l'ID applicazione YARN della sessione da /tmp/.yarn-properties-${USER} o dall'output di yarn application -list, quindi esegui uno dei seguenti comandi:

        echo "stop" | /usr/lib/flink/bin/yarn-session.sh -id YARN_APPLICATION_ID

        yarn application -kill YARN_APPLICATION_ID

Puoi eseguire job Apache Beam su Dataproc utilizzando FlinkRunner.

Puoi eseguire i job Beam su Flink nei seguenti modi:

  1. Job Java Beam
  2. Job Beam portatili

Job Java Beam

Pacchettizza i job Beam in un file JAR. Fornisci il file JAR incluso con le dipendenze necessarie per eseguire il job.

L'esempio seguente esegue un job Java Beam dal nodo master del cluster Dataproc.

  1. Crea un cluster Dataproc con il componente Flink abilitato.

    gcloud dataproc clusters create CLUSTER_NAME \
    --optional-components=FLINK \
    --image-version=DATAPROC_IMAGE_VERSION \
    --region=REGION \
    --enable-component-gateway \
    --scopes=https://www.googleapis.com/auth/cloud-platform
    • --optional-components: Flink.
    • --image-version: la versione dell'immagine del cluster, che determina la versione di Flink installata sul cluster (ad esempio, consulta le versioni dei componenti Apache Flink elencate per le quattro versioni di release dell'immagine 2.0.x più recenti e precedenti).
    • --region: una regione Dataproc supportata.
    • --enable-component-gateway: abilita l'accesso all'interfaccia utente di Flink Job Manager.
    • --scopes: abilita l'accesso alle API Google Cloud da parte del tuo cluster (consulta le Best practice per gli ambiti). L'ambito cloud-platform è abilitato per impostazione predefinita (non è necessario includere questa impostazione del flag) quando crei un cluster che utilizza la versione 2.1 o successive dell'immagine Dataproc.

  2. Utilizza l'utilità SSH per aprire una finestra del terminale sul nodo master del cluster Flink.

  3. Avvia una sessione Flink YARN sul nodo master del cluster Dataproc.

    . /usr/bin/flink-yarn-daemon

    Prendi nota della versione di Flink nel tuo cluster Dataproc.

    flink --version

  4. Sulla tua macchina locale, genera l'esempio canonico di conteggio delle parole di Beam in Java.

    Scegli una versione di Beam compatibile con la versione di Flink nel cluster Dataproc. Consulta la tabella Compatibilità delle versioni di Flink che elenca la compatibilità delle versioni di Beam-Flink.

    Apri il file POM generato. Controlla la versione del runner Beam Flink specificata dal tag <flink.artifact.name>. Se la versione del runner Flink di Beam nel nome dell'elemento Flink non corrisponde alla versione di Flink sul tuo cluster, aggiorna il numero di versione in modo che corrisponda.

    mvn archetype:generate \
    -DarchetypeGroupId=org.apache.beam \
    -DarchetypeArtifactId=beam-sdks-java-maven-archetypes-examples \
    -DarchetypeVersion=BEAM_VERSION \
    -DgroupId=org.example \
    -DartifactId=word-count-beam \
    -Dversion="0.1" \
    -Dpackage=org.apache.beam.examples \
    -DinteractiveMode=false

  5. Impacchetta l'esempio di conteggio parole.

    mvn package -Pflink-runner

  6. Carica il file JAR uber pacchettizzato, word-count-beam-bundled-0.1.jar (~135 MB), sul nodo principale del tuo cluster Dataproc. Puoi utilizzare gcloud storage cp per trasferimenti di file più rapidi al tuo cluster Dataproc da Cloud Storage.

    1. Nel terminale locale, crea un bucket Cloud Storage e carica il JAR uber.

      gcloud storage buckets create BUCKET_NAME

gcloud storage cp target/word-count-beam-bundled-0.1.jar gs://BUCKET_NAME/

    2. Sul nodo principale di Dataproc, scarica il file JAR uber.

      gcloud storage cp gs://BUCKET_NAME/word-count-beam-bundled-0.1.jar .

  7. Esegui il job Java Beam sul nodo master del cluster Dataproc.

    flink run -c org.apache.beam.examples.WordCount word-count-beam-bundled-0.1.jar \
    --runner=FlinkRunner \
    --output=gs://BUCKET_NAME/java-wordcount-out

  8. Verifica che i risultati siano stati scritti nel bucket Cloud Storage.

    gcloud storage cat gs://BUCKET_NAME/java-wordcount-out-SHARD_ID

  9. Interrompi la sessione YARN di Flink.

    yarn application -list

yarn application -kill YARN_APPLICATION_ID

Job di Beam portatili

Per eseguire job Beam scritti in Python, Go e altri linguaggi supportati, puoi utilizzare FlinkRunner e PortableRunner come descritto nella pagina del runner Flink di Beam (vedi anche la roadmap del framework di portabilità).

L'esempio seguente esegue un job Beam portatile in Python dal nodo master del cluster Dataproc.

  1. Crea un cluster Dataproc con i componenti Flink e Docker abilitati.

    gcloud dataproc clusters create CLUSTER_NAME \
    --optional-components=FLINK,DOCKER \
    --image-version=DATAPROC_IMAGE_VERSION \
    --region=REGION \
    --enable-component-gateway \
    --scopes=https://www.googleapis.com/auth/cloud-platform

    Note:

    • --optional-components: Flink e Docker.
    • --image-version: la versione dell'immagine del cluster, che determina la versione di Flink installata sul cluster (ad esempio, consulta le versioni dei componenti Apache Flink elencate per le quattro versioni di release dell'immagine 2.0.x più recenti e precedenti).
    • --region: una regione Dataproc disponibile.
    • --enable-component-gateway: abilita l'accesso all'interfaccia utente di Flink Job Manager.
    • --scopes: abilita l'accesso alle API Google Cloud da parte del tuo cluster (consulta le Best practice per gli ambiti). L'ambito cloud-platform è abilitato per impostazione predefinita (non è necessario includere questa impostazione del flag) quando crei un cluster che utilizza la versione 2.1 o successive dell'immagine Dataproc.

  2. Utilizza gcloud CLI in locale o in Cloud Shell per creare un bucket Cloud Storage. Specifica BUCKET_NAME quando esegui un programma di conteggio delle parole di esempio.

    gcloud storage buckets create BUCKET_NAME

  3. In una finestra del terminale sulla VM del cluster, avvia una sessione Flink YARN. Prendi nota dell'URL del master Flink, ovvero l'indirizzo del master Flink dove vengono eseguiti i job. Specifica FLINK_MASTER_URL quando esegui un programma di conteggio delle parole di esempio.

    . /usr/bin/flink-yarn-daemon

    Visualizza e prendi nota della versione di Flink che esegue il cluster Dataproc. Specifica FLINK_VERSION quando esegui un programma di conteggio delle parole di esempio.

    flink --version

  4. Installa le librerie Python necessarie per il job sul node master del cluster.

  5. Installa una versione di Beam compatibile con la versione di Flink sul cluster.

    python -m pip install apache-beam[gcp]==BEAM_VERSION

  6. Esegui l'esempio di conteggio delle parole sul nodo master del cluster.

    python -m apache_beam.examples.wordcount \
    --runner=FlinkRunner \
    --flink_version=FLINK_VERSION \
    --flink_master=FLINK_MASTER_URL
    --flink_submit_uber_jar \
    --output=gs://BUCKET_NAME/python-wordcount-out

    Note:

    • --runner: FlinkRunner.
    • --flink_version: FLINK_VERSION, come indicato in precedenza.
    • --flink_master: FLINK_MASTER_URL, come indicato in precedenza.
    • --flink_submit_uber_jar: utilizza il file JAR uber per eseguire il job Beam.
    • --output: BUCKET_NAME, creato in precedenza.

  7. Verifica che i risultati siano stati scritti nel bucket.

    gcloud storage cat gs://BUCKET_NAME/python-wordcount-out-SHARD_ID

  8. Interrompi la sessione YARN di Flink.

    1. Recupera l'ID applicazione.
    yarn application -list

1. Insert the <var>YARN_APPLICATION_ID</var>, then stop the session.

yarn application -kill

Il componente Flink di Dataproc supporta i cluster Kerberized. Per inviare e mantenere un job Flink o avviare un cluster Flink è necessario un ticket Kerberos valido. Per impostazione predefinita, un ticket Kerberos rimane valido per sette giorni.

L'interfaccia web di Flink Job Manager è disponibile durante l'esecuzione di un job Flink o di un cluster di sessioni Flink. Per utilizzare l'interfaccia web:

  1. Crea un cluster Flink Dataproc.
  2. Dopo aver creato il cluster, fai clic su Component Gateway Link a ResourceManager YARN nella scheda Interfaccia web della pagina Dettagli cluster nella console Google Cloud.
  3. Nell'interfaccia utente di YARN Resource Manager, identifica la voce dell'applicazione del cluster Flink. A seconda dello stato di completamento di un job, verrà visualizzato un link ApplicationMaster o History.
  4. Per un job di streaming di lunga durata, fai clic sul link ApplicationManager per aprire la dashboard di Flink. Per un job completato, fai clic sul link Cronologia per visualizzarne i dettagli.