Componente Flink opcional do Dataproc

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

Você pode usar o cluster Flink para:

  1. Executar jobs do Flink usando o recurso Jobs do Dataproc usando o console do Google Cloud, a Google Cloud CLI ou a API Dataproc.

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

  3. Executar jobs do Apache Beam no Flink

  4. Execute o Flink em um cluster do Kerberos.

Use o console do Google Cloud, a Google Cloud CLI ou o Dataproc API para criar um cluster do Dataproc que tem o componente Flink ativados no cluster.

Recomendação: use um cluster de VM padrão de um mestre com o componente Flink. Clusters do modo de alta disponibilidade do Dataproc (com três VMs mestres) não oferecem suporte Modo de alta disponibilidade Flink.

É possível executar jobs do Flink usando o recurso Jobs do Dataproc do console do Google Cloud, Google Cloud CLI ou API Dataproc.

Console

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

  1. Abra o Dataproc página Envie um job no console do Google Cloud no seu 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. Dataproc instalou o WordCount.jar quando criou o cluster do Flink;
      • Esse campo também aceita um caminho do Cloud Storage (gs://BUCKET/JARFILE) ou um Caminho do sistema de arquivos distribuídos do Hadoop (HDFS) (hdfs://PATH_TO_JAR).

  3. Clique em Enviar.

    • A saída do driver do job é exibida na página Detalhes do job.
    • Os jobs Flink estão listados no Página Jobs do Dataproc no console do Google Cloud.
    • Clique em Interromper ou Excluir na página Jobs ou Detalhes do job. para interromper ou excluir um job.

gcloud

Para enviar um job do Flink a um cluster do Dataproc Flink, execute a CLI gcloud gcloud dataproc jobs submit localmente em uma janela de terminal ou 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 Flink do Dataproc. cluster para enviar o job.
  • REGION: especifique uma região do Compute Engine onde o cluster está localizado.
  • MAIN_CLASS: especifique a classe main do seu 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 file:///` prefixo:
      • 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 Dataproc Flink cluster usando o Dataproc jobs.submit.

Antes de usar os dados da solicitação abaixo, 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 estão listados no Página Jobs do Dataproc no console do Google Cloud.
  • Clique em Parar ou Excluir na página Jobs ou Detalhes do job no console do Google Cloud para interromper ou excluir um job.

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

As seções a seguir descrevem diferentes maneiras de executar um job da CLI flink em seu cluster Flink do Dataproc.

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

  2. Defina o caminho de classe: inicialize o caminho de classe do Hadoop pela janela do terminal SSH no VM do mestre do cluster Flink:

    export HADOOP_CLASSPATH=$(hadoop classpath)

  3. Executar jobs do Flink:é possível executar jobs do 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 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 o arquivo. um ou mais jobs à sessão.

      1. Iniciar uma sessão:você pode iniciar uma sessão Flink em um dos da seguinte maneira:

        1. Crie um cluster Flink, adicionando o a sinalização --metadata flink-start-yarn-session=true ao gcloud dataproc clusters create (consulte Criar um cluster Flink do Dataproc). Com esta sinalização ativado, depois da criação do cluster, o Dataproc executa /usr/bin/flink-yarn-daemon para iniciar uma sessão 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. Executar o Flink yarn-session.sh , 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 configurações padrão:

          . /usr/bin/flink-yarn-daemon

      2. Envie um job para uma sessão: execute o seguinte comando para enviar um Flink do job 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 Flink em que os jobs são executados. Remova http:// prefix de o URL. Esse URL é listado na resposta ao comando quando você inicia Sessão Flink. Execute o comando a seguir para listar este 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. o seguinte:

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

        • Consiga o ID do aplicativo YARN da sessão. /tmp/.yarn-properties-${USER} ou a saída de yarn application -list, e depois executar <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 de /tmp/.yarn-properties-${USER} ou a saída de yarn application -list e execute um dos seguintes comandos:

        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 do cluster às APIs do Google Cloud Consulte Prática recomendada para escopos. O escopo cloud-platform é ativado por padrão. Você não precisa incluir essa configuração de sinalização) quando você cria um cluster que usa a imagem do Dataproc versão 2.1 ou posterior.

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

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

    . /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 Compatibilidade da versão do Flink que lista a compatibilidade da versão 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 gcloud storage 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.

      gcloud storage buckets create BUCKET_NAME

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

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

      gcloud storage 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.

    gcloud storage 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 compatíveis, é possível use o FlinkRunner e o PortableRunner, conforme descrito no Flink runner (link em inglês) (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 de imagem do cluster; que determina a versão do Flink instalada no cluster (por exemplo, consulte as versões do componente Apache Flink listadas para as versões mais recentes e anteriores quatro versões de lançamento da imagem 2.0.x).
    • --region: uma região disponível do Dataproc.
    • --enable-component-gateway: ativa o acesso à interface do Gerenciador de jobs do Flink.
    • --scopes: ativar o acesso do cluster às APIs do Google Cloud Consulte Prática recomendada para escopos. O escopo cloud-platform é ativado por padrão. Você não precisa incluir essa configuração de sinalização) quando você cria um cluster que usa a imagem do Dataproc versão 2.1 ou posterior.

  2. Use a CLI gcloud localmente ou no Cloud Shell para criar do bucket do Cloud Storage. Especifique o BUCKET_NAME quando executar um exemplo de programa de contagem de palavras.

    gcloud storage buckets create BUCKET_NAME

  3. Em uma janela do terminal na VM do cluster, inicie uma sessão Flink YARN. Anote o URL do mestre do Flink, o endereço do mestre do Flink onde os jobs são executados. Você vai especificar o FLINK_MASTER_URL ao executar um exemplo de programa de contagem de palavras.

    . /usr/bin/flink-yarn-daemon

    Exiba e observe a versão do Flink que executa o Dataproc. aglomerado. Você vai especificar o FLINK_VERSION ao executar um exemplo de programa de contagem de palavras.

    flink --version

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

  5. Instale um 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 mestre do cluster nó.

    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.

    gcloud storage 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 aglomerado 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 em Gateway de Componentes. Link do YARN ResourceManager 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, um ApplicationMaster ou Histórico será listado.
  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.