Componente Flink opcional do Dataproc

É possível ativar outros componentes, como o Flink, ao criar um cluster do Dataproc usando o recurso Componentes opcionais. Nesta página, mostramos como criar um cluster do Dataproc com o componente opcional Apache Flink ativado (um cluster Flink) e, em seguida, executar jobs do Flink no cluster.

Você pode usar o cluster Flink para:

  1. Execute jobs do Flink usando o recurso Jobs do Dataproc no console do Google Cloud, na Google Cloud CLI ou na API Dataproc.

  2. Execute jobs do Flink usando a CLI flink em execução no nó mestre do cluster do Flink.

  3. Executar jobs do Apache Beam no Flink

  4. Execute o Flink em um cluster do Kerberos.

É possível usar o console do Google Cloud, a Google Cloud CLI ou a API Dataproc para criar um cluster do Dataproc que tenha o componente Flink ativado no cluster.

Recomendação: use um cluster de VM padrão de um mestre com o componente Flink. Os clusters de modo de alta disponibilidade do Dataproc (com três VMs mestres) não são compatíveis com o modo de alta disponibilidade Flink.

É possível executar jobs Flink usando o recurso Jobs do Dataproc no Console do Google Cloud, na Google Cloud CLI ou na API Dataproc.

Console

Para enviar um exemplo de job de contagem de palavras do Flink usando o console:

  1. Abra a página Enviar um job do Dataproc no console do Google Cloud no navegador.

  2. Preencha os campos na página Enviar um job:

    1. Selecione o nome do Cluster na lista de clusters.
    2. Defina o Tipo de job como Flink.
    3. Defina Classe principal ou jar como org.apache.flink.examples.java.wordcount.WordCount.
    4. Defina Arquivos Jar como file:///usr/lib/flink/examples/batch/WordCount.jar.
      • file:/// indica um arquivo localizado no cluster. O Dataproc instalou o WordCount.jar quando criou o cluster Flink.
      • Esse campo também aceita um caminho do Cloud Storage (gs://BUCKET/JARFILE) ou um caminho do sistema de arquivos distribuídos do Hadoop (HDFS, na sigla em inglês) (hdfs://PATH_TO_JAR).

  3. Clique em Enviar.

    • A saída do driver do job é exibida na página Detalhes do job.
    • Os jobs Flink são listados na página Jobs do Dataproc no console do Google Cloud.
    • Para interromper ou excluir um job, clique em Interromper ou Excluir na página Jobs ou Detalhes do job.

gcloud

Para enviar um job do Flink a um cluster do Dataproc Flink, execute o comando gcloud dataproc jobs submit da CLI gcloud localmente em uma janela do terminal ou no Cloud Shell. 

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

Observações:

  • CLUSTER_NAME: especifique o nome do cluster Flink do Dataproc para enviar o job.
  • REGION: especifique a região do Compute Engine em que o cluster está localizado.
  • MAIN_CLASS: especifique a classe main do aplicativo Flink, como:
    • org.apache.flink.examples.java.wordcount.WordCount
  • JAR_FILE: especifica o arquivo jar do aplicativo Flink. É possível especificar:
    • Um arquivo jar instalado no cluster usando o prefixo file:///`:
      • file:///usr/lib/flink/examples/streaming/TopSpeedWindowing.jar
      • file:///usr/lib/flink/examples/batch/WordCount.jar
    • Um arquivo jar no Cloud Storage: gs://BUCKET/JARFILE
    • Um arquivo jar no HDFS: hdfs://PATH_TO_JAR

  • JOB_ARGS: opcionalmente, adicione argumentos do job após o travessão duplo (--).

  • Depois de enviar o job, a saída do driver do job será exibida no terminal local ou do 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

Nesta seção, mostramos como enviar um job do Flink para um cluster do Dataproc Flink usando a API jobs.submit do Dataproc.

Antes de usar os dados da solicitação, faça as substituições a seguir:

  • PROJECT_ID: ID do projeto do Google Cloud
  • REGION: região do cluster
  • CLUSTER_NAME: especifique o nome do cluster Flink do Dataproc para enviar o job

Método HTTP e URL: 

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

Corpo JSON da solicitação: 

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

Para enviar a solicitação, expanda uma destas opções:

Você receberá uma resposta JSON semelhante a esta:

{
  "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"
}
  • Os jobs Flink são listados na página Jobs do Dataproc no console do Google Cloud.
  • Para interromper ou excluir um job, clique em Interromper ou Excluir na página Jobs ou Detalhes do job no console do Google Cloud.

Em vez de executar jobs do Flink usando o recurso Jobs do Dataproc, execute jobs no nó mestre do cluster Flink usando a CLI flink.

As seções a seguir descrevem diferentes maneiras de executar um job da CLI flink no cluster do Dataproc Flink.

  1. SSH no nó mestre: use o utilitário SSH para abrir uma janela de terminal na VM do mestre do cluster.

  2. Defina o caminho de classe: inicialize o caminho de classe do Hadoop na janela do terminal SSH na VM mestre do cluster do Flink:

    export HADOOP_CLASSPATH=$(hadoop classpath)

  3. Executar jobs Flink:é possível executar jobs Flink em diferentes modos de implantação no YARN: aplicativo, por job e modo de sessão.

    1. Modo de aplicativo:o modo de aplicativo Flink é compatível com a versão 2.0 e posteriores de imagem do Dataproc. Esse modo executa o método main() do job no YARN Job Manager. O cluster é encerrado após a conclusão do job.

      Exemplo de envio de 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

      Liste os jobs em execução:

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

      Cancele um job em execução:

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

    2. Modo por job: esse modo Flink executa o método main() do job no lado do cliente.

      Exemplo de envio de job:

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

    3. Modo de sessão:inicie uma sessão de longa duração do Flink YARN e envie um ou mais jobs para a sessão.

      1. Inicie uma sessão:é possível iniciar uma sessão do Flink de uma das seguintes maneiras:

        1. Crie um cluster Flink, adicionando a sinalização --metadata flink-start-yarn-session=true ao comando gcloud dataproc clusters create. Consulte Criar um cluster Flink do Dataproc. Com essa sinalização ativada, após a criação do cluster, o Dataproc executa /usr/bin/flink-yarn-daemon para iniciar uma sessão do Flink no cluster.

          O ID do aplicativo YARN da sessão é salvo em /tmp/.yarn-properties-${USER}. É possível listar o ID com o comando yarn application -list.

        2. Execute o script yarn-session.sh do Flink, que vem pré-instalado na VM do mestre do cluster, com configurações personalizadas:

          Exemplo com configurações personalizadas:

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

        3. Execute o script de wrapper Flink /usr/bin/flink-yarn-daemon com as configurações padrão:

          . /usr/bin/flink-yarn-daemon

      2. Envie um job para uma sessão: execute o seguinte comando para enviar um job Flink para a sessão.

        flink run -m <var>FLINK_MASTER_URL</var>/usr/lib/flink/examples/batch/WordCount.jar
        • FLINK_MASTER_URL: o URL, incluindo o host e a porta, da VM mestre do Flink em que os jobs são executados. Remova http:// prefix do URL. Esse URL é listado na resposta ao comando quando você inicia uma sessão Flink. É possível executar o seguinte comando para listar esse URL no campo Tracking-URL:
        yarn application -list -appId=<yarn-app-id> | sed 's#http://##'
   ```

      3. Listar jobs em uma sessão:para listar jobs do Flink em uma sessão, siga um destes procedimentos:

        • Execute flink list sem argumentos. O comando procura o ID do aplicativo YARN da sessão em /tmp/.yarn-properties-${USER}.

        • Consiga o ID do aplicativo YARN da sessão de /tmp/.yarn-properties-${USER} ou a saída de yarn application -list e execute <code>flink list -yid YARN_APPLICATION_ID.

        • Execute flink list -m FLINK_MASTER_URL.

      4. Interromper uma sessão:para interromper a sessão, consiga o ID do aplicativo YARN da sessão em /tmp/.yarn-properties-${USER} ou na saída de yarn application -list e execute um dos comandos abaixo:

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

        yarn application -kill YARN_APPLICATION_ID

É possível executar jobs do Apache Beam no Dataproc usando o FlinkRunner.

É possível executar jobs do Beam no Flink das seguintes maneiras:

  1. Jobs do Beam em Java
  2. Jobs do Beam portáteis

Jobs do Beam em Java

Empacotar os jobs do Beam em um arquivo JAR. Forneça o arquivo JAR empacotado com as dependências necessárias para executar o job.

O exemplo a seguir executa um job do Java Beam a partir do nó mestre do cluster do Dataproc.

  1. Crie um cluster do Dataproc com o componente Flink ativado.

    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: a versão de imagem do cluster, que determina a versão do Flink instalada no cluster. Por exemplo, consulte as versões do componente Flink do Apache listadas para a versão mais recente e quatro anteriores versões de lançamento de imagem 2.0.x.
    • --region: uma região compatível do Dataproc.
    • --enable-component-gateway: ativa o acesso à IU do Flink Job Manager.
    • --scopes: ativa o acesso às APIs do Google Cloud pelo cluster (consulte Prática recomendada de escopos). O escopo cloud-platform é ativado por padrão (não é necessário incluir essa configuração de sinalização) quando você cria um cluster que usa a imagem do Dataproc versão 2.1 ou posterior.

  2. Use o utilitário SSH para abrir uma janela de terminal no nó mestre do cluster Flink.

  3. Inicie uma sessão do Flink YARN no nó mestre do cluster do Dataproc.

    . /usr/bin/flink-yarn-daemon

    Anote a versão do Flink no cluster do Dataproc.

    flink --version

  4. Na máquina local, gere o exemplo de contagem de palavras canônica do Beam em Java.

    Escolha uma versão do Beam compatível com a versão do Flink no cluster do Dataproc. Consulte a tabela Compatibilidade da versão do Flink (em inglês) que lista a compatibilidade da versão do Beam-Flink.

    Abra o arquivo POM gerado. Verifique a versão do executor do Flink do Beam especificada pela tag <flink.artifact.name>. Se o executor do Flink do Beam no nome do artefato do Flink não corresponder à versão do Flink no cluster, atualize o número da versão para corresponder.

    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. Crie um exemplo de contagem de palavras.

    mvn package -Pflink-runner

  6. Faça upload do arquivo JAR uber empacotado (word-count-beam-bundled-0.1.jar, cerca de 135 MB) no nó mestre do cluster do Dataproc. É possível usar gsutil cp para transferências de arquivos mais rápidas para o cluster do Dataproc do Cloud Storage.

    1. No terminal local, crie um bucket do Cloud Storage e faça o upload do JAR uber.

      gsutil mb BUCKET_NAME

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

    2. No nó mestre do Dataproc, faça o download do JAR uber.

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

  7. Execute o job Java Beam no nó mestre do cluster do 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. Verifique se os resultados foram gravados no seu bucket do Cloud Storage.

    gsutil cat gs://BUCKET_NAME/java-wordcount-out-SHARD_ID

  9. Interrompa a sessão YARN do Flink.

    yarn application -list

yarn application -kill YARN_APPLICATION_ID

Jobs do Beam portáteis

Para executar jobs do Beam escritos em Python, Go e outras linguagens com suporte, use FlinkRunner e PortableRunner, conforme descrito na página Flink Runner do Beam (consulte também Roteiro do framework de portabilidade).

No exemplo a seguir, um job portátil do Beam é executado no Python a partir do nó mestre do cluster do Dataproc.

  1. Crie um cluster do Dataproc com os componentes Flink e Docker ativados.

    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

    Observações:

    • --optional-components: Flink e Docker.
    • --image-version: a versão da imagem do cluster, que determina a versão do Flink instalada no cluster. Por exemplo, consulte as versões do componente Apache Flink listadas para as quatro versões de lançamento de imagem mais recentes e anteriores.
    • --region: uma região disponível do Dataproc.
    • --enable-component-gateway: ativa o acesso à interface do Gerenciador de jobs do Flink.
    • --scopes: ativa o acesso do cluster às APIs do Google Cloud (consulte Prática recomendada de escopos). O escopo cloud-platform é ativado por padrão (não é necessário incluir essa configuração de sinalização) quando você cria um cluster que usa a imagem do Dataproc versão 2.1 ou posterior.

  2. Use gsutil localmente ou no Cloud Shell para criar um bucket do Cloud Storage. Você especificará o BUCKET_NAME ao executar um programa de contagem de palavras de amostra.

    gsutil mb BUCKET_NAME

  3. Em uma janela do terminal na VM do cluster, inicie uma sessão Flink YARN. Observe o URL do mestre do Flink, o endereço do mestre do Flink em que os jobs são executados. Você especificará FLINK_MASTER_URL ao executar um programa de contagem de palavras de amostra.

    . /usr/bin/flink-yarn-daemon

    Exiba e observe a versão do Flink que executa o cluster do Dataproc. Você especificará FLINK_VERSION ao executar um programa de contagem de palavras de amostra.

    flink --version

  4. Instale as bibliotecas de Python necessárias para o job no nó mestre do cluster.

  5. Instale uma versão do Beam compatível com a versão do Flink no cluster.

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

  6. Execute o exemplo de contagem de palavras no nó mestre do 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

    Observações:

    • --runner: FlinkRunner.
    • --flink_version: FLINK_VERSION, anotado anteriormente.
    • --flink_master: FLINK_MASTER_URL, anotado anteriormente.
    • --flink_submit_uber_jar: use o JAR uber para executar o job do Beam.
    • --output: BUCKET_NAME, criado anteriormente.

  7. Verifique se os resultados foram gravados no bucket.

    gsutil cat gs://BUCKET_NAME/python-wordcount-out-SHARD_ID

  8. Interrompa a sessão YARN do Flink.

    1. Consiga o ID do aplicativo.
    yarn application -list

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

yarn application -kill

O componente Flink do Dataproc é compatível com clusters do Kerberos. Um tíquete do Kerberos válido é necessário para enviar e manter um job do Flink ou para iniciar um cluster do Flink. Por padrão, um tíquete do Kerberos permanece válido por sete dias.

A interface da Web do Flink Job Manager está disponível durante a execução de um job de Flink ou um cluster de sessão do Flink. Para usar a interface da Web:

  1. Crie um cluster Flink do Dataproc.
  2. Após a criação do cluster, clique no link do YARN ResourceManager do Gateway de componentes na guia Interface da Web da página Detalhes do cluster no console do Google Cloud.
  3. Na IU do YARN Resource Manager, identifique a entrada do aplicativo de cluster Flink. Dependendo do status de conclusão de um job, será listado um link ApplicationMaster ou History.
  4. Para um job de streaming de longa duração, clique no link ApplicationManager para abrir o painel do Flink. Para um job concluído, clique no link Histórico para visualizar os detalhes dele.