Componente Flink facoltativo di Dataproc

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

Puoi utilizzare il cluster Flink per:

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

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

  3. Esegui 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 sul cluster.

Suggerimento: utilizza un cluster VM standard a 1 master con il componente Flink. I cluster in modalità Dataproc ad alta disponibilità (con 3 VM master) non supportano la modalità ad alta disponibilità di Flink.

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

Console

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

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

  2. Compila i campi nella pagina Invia un job:

    1. Seleziona il nome del tuo 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 che si trova 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 HDFS (Hadoop Distributed File System) (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 della console Google Cloud.
    • Fai clic su Arresta o Elimina dalla pagina Job o Dettagli job per arrestare o eliminare un job.

gcloud

Per inviare un job Flink a un cluster Flink Dataproc, esegui il comando gcloud CLI gcloud dataproc job send 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 Dataproc Flink a cui inviare il job.
  • REGION: specifica una regione di Compute Engine in cui si trova il cluster.
  • MAIN_CLASS: specifica la classe main dell'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, con 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: se vuoi, aggiungi argomenti del job dopo il doppio trattino (--).

  • Dopo aver inviato il job, l'output del driver del job viene visualizzato nel terminale locale o di 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 Dataproc Flink utilizzando l'API Dataproc jobs.submit.

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

  • PROJECT_ID: ID progetto Google Cloud
  • REGION: regione del cluster
  • CLUSTER_NAME: specifica il nome del cluster Dataproc Flink 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 delle seguenti 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 della console Google Cloud.
  • Puoi fare clic su Arresta o Elimina dalla pagina Job o Dettagli job nella console Google Cloud per arrestare o eliminare un job.

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

Le seguenti sezioni descrivono i diversi modi in cui puoi eseguire un job dell'interfaccia a riga di comando flink sul cluster Dataproc Flink.

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

  2. Imposta il classpath: inizializza il classpath di 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 da Dataproc Image 2.0 e versioni successive. Questa modalità esegue il metodo main() del job nel gestore job YARN. Il cluster si arresta al termine del job.

      Esempio di invio di un 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

      Annulla 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 sul lato client.

      Esempio di invio di un 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 (vedi Creare un cluster Flink Dataproc). Quando questo flag è abilitato, 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 /usr/bin/flink-yarn-daemon di Flink con le impostazioni predefinite:

          . /usr/bin/flink-yarn-daemon

      2. Invia un job a una sessione: esegui questo 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 viene elencato nell'output comando all'avvio di una sessione Flink. Per elencare questo URL nel campo Tracking-URL, puoi eseguire questo comando:
        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 l'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 l'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 job Beam su Flink nei seguenti modi:

  1. Job Java Beam
  2. Job Beam portatili

Job Java Beam

Pacchettizza i tuoi job Beam in un file JAR. Fornisci il file JAR in bundle 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 nel cluster (ad esempio, vedi le versioni del componente Apache Flink elencate per le versioni di rilascio delle immagini 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 Best practice per gli ambiti). L'ambito cloud-platform è abilitato per impostazione predefinita (non è necessario includere questa impostazione di flag) quando crei un cluster che utilizza l'immagine Dataproc versione 2.1 o successiva.

  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 sul 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 Beam compatibile con la versione Flink sul tuo cluster Dataproc. Consulta la tabella Compatibilità della versione di Flink che elenca la compatibilità delle versioni di Beam-Flink.

    Apri il file POM generato. Controlla la versione runner Beam Flink specificata dal tag <flink.artifact.name>. Se la versione del runner Beam Flink nel nome dell'artefatto Flink non corrisponde alla versione di Flink nel 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. Inserisci l'esempio di conteggio delle parole.

    mvn package -Pflink-runner

  6. Carica il file JAR Uber in pacchetto, word-count-beam-bundled-0.1.jar (~135 MB) sul nodo master del cluster Dataproc. Puoi utilizzare gsutil cp per trasferire più rapidamente i file nel tuo cluster Dataproc da Cloud Storage.

    1. Sul terminale locale, crea un bucket Cloud Storage e carica l'uber JAR.

      gsutil mb BUCKET_NAME

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

    2. Sul nodo master di Dataproc, scarica l'uber JAR.

      gsutil 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 tuo bucket Cloud Storage.

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

  9. Interrompi la sessione Flink YARN.

    yarn application -list

yarn application -kill YARN_APPLICATION_ID

Job Beam portatili

Per eseguire job Beam scritti in Python, Go e altri linguaggi supportati, puoi utilizzare FlinkRunner e PortableRunner come descritto nella pagina Flink Runner di Beam (vedi anche Roadmap del framework per la 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 immagine del cluster, che determina la versione di Flink installata nel cluster (ad esempio, vedi le versioni del componente Apache Flink elencate per le versioni di rilascio delle immagini 2.0.x più recenti e precedenti).
    • --region: un'area geografica 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 Best practice per gli ambiti). L'ambito cloud-platform è abilitato per impostazione predefinita (non è necessario includere questa impostazione di flag) quando crei un cluster che utilizza l'immagine Dataproc versione 2.1 o successiva.

  2. Utilizza gsutil in locale o in Cloud Shell per creare un bucket Cloud Storage. Puoi specificare BUCKET_NAME quando esegui un programma di conteggio parole di esempio.

    gsutil mb BUCKET_NAME

  3. In una finestra del terminale sulla VM del cluster, avvia una sessione Flink YARN. Nota l'URL del master Flink, l'indirizzo del master Flink dove vengono eseguiti i job. Puoi specificare FLINK_MASTER_URL quando esegui un programma di conteggio parole di esempio.

    . /usr/bin/flink-yarn-daemon

    Visualizza e nota la versione di Flink che esegue il cluster Dataproc. Puoi specificare FLINK_VERSION quando esegui un programma di conteggio parole di esempio.

    flink --version

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

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

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

  6. Esegui l'esempio di conteggio 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, indicato in precedenza.
    • --flink_master: FLINK_MASTER_URL, indicato in precedenza.
    • --flink_submit_uber_jar: utilizza l'uber JAR per eseguire il job Beam.
    • --output: BUCKET_NAME, creata in precedenza.

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

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

  8. Interrompi la sessione Flink YARN.

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

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

  1. Crea un cluster Dataproc Flink.
  2. Dopo la creazione del cluster, fai clic sul gateway dei componenti link YARN ResourceManager nella scheda Interfaccia web della pagina Dettagli cluster della console Google Cloud.
  3. Nell'interfaccia utente di YARN Resource Manager, identifica la voce dell'applicazione cluster Flink. A seconda dello stato di completamento di un job, verrà elencato un link ApplicationMaster o Cronologia.
  4. Per un job di flussi di dati a lunga esecuzione, fai clic sul link ApplicationManager per aprire la dashboard Flink; per un job completato, fai clic sul link Cronologia per visualizzare i dettagli del job.