Puedes activar componentes adicionales, como Flink, cuando creas un clúster de Dataproc con la función Componentes opcionales. En esta página, se muestra cómo crear un clúster de Dataproc con el componente opcional Apache Flink activado (un clúster de Flink) y, luego, ejecutar trabajos de Flink en el clúster.
Puedes usar el clúster de Flink para lo siguiente:
Ejecuta trabajos de Flink mediante el recurso
Jobs
de Dataproc desde Google Cloud Console, Google Cloud CLI o la API de Dataproc.Ejecuta trabajos de Flink con la CLI de
flink
en el nodo instancia principal del clúster de Flink.Ejecuta Flink en un clúster kerberizado.
Crea un clúster de Dataproc Flink
Puedes usar la consola de Google Cloud, Google Cloud CLI o la API de Dataproc para crear un clúster de Dataproc que tenga el componente Flink activado en el clúster.
Recomendación: Usa un clúster de VM de 1 instancia principal estándar con el componente Flink. Los clústeres en modo de alta disponibilidad de Dataproc (con 3 VMs principales) no admiten el modo de alta disponibilidad de Flink.
Consola
Para crear un clúster de Dataproc Flink con la consola de Google Cloud, sigue estos pasos:
Abre la página Crea un clúster de Dataproc en Compute Engine de Dataproc.
- Está seleccionado el panel Configurar clúster.
- En la sección Control de versiones, confirma o cambia el Tipo de imagen y versión. La versión de la imagen del clúster determina la versión del componente de Flink instalado en el clúster.
- La versión de la imagen debe ser 1.5 o superior para activar el componente de Flink en el clúster (consulta las versiones compatibles de Dataproc para ver las listas de las versiones de los componentes incluidas en cada actualización de la imagen de Dataproc).
- La versión de la imagen debe ser [TBD] o superior para ejecutar trabajos de Flink a través de la API de Dataproc Jobs (consulta Ejecuta trabajos de Flink de Dataproc).
- En la sección Componentes, haz lo siguiente:
- En Puerta de enlace de componentes, selecciona Habilitar puerta de enlace de componentes. Debes habilitar la puerta de enlace de componentes para activar el vínculo de puerta de enlace de componentes a la IU del servidor de historial de Flink. Habilitar la puerta de enlace de componentes también habilita el acceso a la interfaz web de Flink Job Manager que se ejecuta en el clúster de Flink.
- En Componentes opcionales, selecciona Flink y otros componentes opcionales para activar en tu clúster.
- En la sección Control de versiones, confirma o cambia el Tipo de imagen y versión. La versión de la imagen del clúster determina la versión del componente de Flink instalado en el clúster.
Haz clic en el panel Personalizar clúster (opcional).
En la sección Propiedades del clúster, haz clic en Agregar propiedades para cada propiedad del clúster opcional que desees agregar a tu clúster. Puedes agregar propiedades con el prefijo
flink
para configurar las propiedades de Flink en/etc/flink/conf/flink-conf.yaml
que actuarán como valores predeterminados para las aplicaciones de Flink que ejecutes en el clúster.Ejemplos:
- Configura
flink:historyserver.archive.fs.dir
para especificar la ubicación de Cloud Storage en la que se escribirán los archivos del historial de trabajos de Flink (el servidor de historial de Flink que se ejecuta en el clúster de Flink usará esta ubicación). - Establece espacios para tareas de Flink con
flink:taskmanager.numberOfTaskSlots=n
.
- Configura
En la sección Metadatos del clúster personalizados, haz clic en Agregar metadatos para agregar metadatos opcionales. Por ejemplo, agrega
flink-start-yarn-session
true
para ejecutar el daemon de YARN de Flink (/usr/bin/flink-yarn-daemon
) en segundo plano en el nodo instancia principal del clúster a fin de iniciar una sesión de YARN de Flink (consulta el modo de sesión de Flink).
Si usas la versión 2.0 de la imagen de Dataproc o una anterior, haz clic en el panel Administrar seguridad (opcional) y, luego, en Acceso al proyecto, selecciona
Enables the cloud-platform scope for this cluster
. El permisocloud-platform
está habilitado de forma predeterminada cuando creas un clúster que usa la versión 2.1 o posterior de la imagen de Dataproc.
- Está seleccionado el panel Configurar clúster.
Haz clic en Crear para generar el clúster.
gcloud
Para crear un clúster de Dataproc Flink mediante gcloud CLI, ejecuta el siguiente comando gcloud Dataproc clusters create de manera local en una ventana de terminal o en Cloud Shell:
gcloud dataproc clusters create CLUSTER_NAME \ --region=REGION \ --image-version=DATAPROC_IMAGE_VERSION \ --optional-components=FLINK \ --enable-component-gateway \ --properties=PROPERTIES ... other flags
Notas:
- CLUSTER_NAME: Especifica el nombre del clúster.
- REGION: Especifica una región de Compute Engine en la que se ubicará el clúster.
DATAPROC_IMAGE_VERSION: Especifica de manera opcional la versión de la imagen que se usará en el clúster. La versión de la imagen del clúster determina la versión del componente de Flink instalado en el clúster.
La versión de la imagen debe ser 1.5 o superior para activar el componente de Flink en el clúster (consulta las versiones compatibles de Dataproc para ver las listas de las versiones de los componentes incluidas en cada actualización de la imagen de Dataproc).
La versión de la imagen debe ser [TBD] o superior para ejecutar trabajos de Flink a través de la API de Dataproc Jobs (consulta Ejecuta trabajos de Flink de Dataproc).
--optional-components
: Debes especificar el componenteFLINK
para ejecutar trabajos de Flink y el servicio web de HistoryServer de Flink en el clúster.--enable-component-gateway
: Debes habilitar la Puerta de enlace de componentes para activar el vínculo de puerta de enlace de componentes a la IU del servidor de historial de Flink. Habilitar la puerta de enlace de componentes también habilita el acceso a la interfaz web de Flink Job Manager que se ejecuta en el clúster de Flink.PROPERTIES. De manera opcional, especifica una o más propiedades del clúster.
Cuando creas clústeres de Dataproc con las versiones de imagen
2.0.67
y2.1.15
o versiones posteriores, puedes usar la marca--properties
a fin de configurar las propiedades de Flink en/etc/flink/conf/flink-conf.yaml
que actuarán como predeterminadas para las aplicaciones de Flink que ejecutes en el clúster.Puedes configurar
flink:historyserver.archive.fs.dir
para especificar la ubicación de Cloud Storage a fin de escribir archivos de historial de trabajos de Flink (el servidor de historial de Flink que se ejecuta en el clúster de Flink usará esta ubicación).Ejemplo de varias propiedades:
--properties=flink:historyserver.archive.fs.dir=gs://my-bucket/my-flink-cluster/completed-jobs,flink:taskmanager.numberOfTaskSlots=2
Otras marcas:
- Puedes agregar la marca opcional
--metadata flink-start-yarn-session=true
a fin de ejecutar el daemon de YARN de Flink (/usr/bin/flink-yarn-daemon
) en segundo plano en el nodo instancia principal del clúster para iniciar una sesión de YARN de Flink (consulta Modo de sesión de Flink).
- Puedes agregar la marca opcional
Cuando usas versiones de imagen 2.0 o anteriores, puedes agregar la marca
--scopes=https://www.googleapis.com/auth/cloud-platform
para habilitar el acceso de tu clúster a las API de Google Cloud (consulta la Práctica recomendada de permisos). El permisocloud-platform
está habilitado de forma predeterminada cuando creas un clúster que usa la versión 2.1 o posterior de la imagen de Dataproc.
API
Para crear un clúster de Dataproc Flink mediante la API de Dataproc, envía una solicitud clusters.create de la siguiente manera:
Notas:
Configura SoftwareConfig.Component como
FLINK
.De manera opcional, puedes configurar
SoftwareConfig.imageVersion
para especificar la versión de la imagen que se usará en el clúster. La versión de la imagen del clúster determina la versión del componente de Flink instalado en el clúster.La versión de la imagen debe ser 1.5 o superior para activar el componente de Flink en el clúster (consulta las versiones compatibles de Dataproc para ver las listas de las versiones de los componentes incluidas en cada actualización de la imagen de Dataproc).
La versión de la imagen debe ser [TBD] o superior para ejecutar trabajos de Flink a través de la API de Dataproc Jobs (consulta Ejecuta trabajos de Flink de Dataproc).
Configura EndpointConfig.enableHttpPortAccess en
true
para habilitar el vínculo de puerta de enlace de componentes a la IU del servidor de historial de Flink. Habilitar la puerta de enlace de componentes también habilita el acceso a la interfaz web de Flink Job Manager que se ejecuta en el clúster de Flink.De manera opcional, puedes configurar
SoftwareConfig.properties
para especificar una o más propiedades del clúster.- Puedes especificar las propiedades de Flink que actuarán como predeterminadas para las aplicaciones de Flink que ejecutes en el clúster. Por ejemplo, puedes configurar
flink:historyserver.archive.fs.dir
para especificar la ubicación de Cloud Storage a fin de escribir archivos de historial de trabajos de Flink (el servidor de historial de Flink que se ejecuta en el clúster de Flink usará esta ubicación).
- Puedes especificar las propiedades de Flink que actuarán como predeterminadas para las aplicaciones de Flink que ejecutes en el clúster. Por ejemplo, puedes configurar
De forma opcional, puedes establecer lo siguiente:
GceClusterConfig.metadata
. Por ejemplo, para especificarflink-start-yarn-session
true
a fin de ejecutar el daemon de YARN de Flink (/usr/bin/flink-yarn-daemon
) en segundo plano en el nodo instancia principal del clúster a fin de iniciar una sesión de YARN de Flink (consulta el modo de sesión de Flink).- GceClusterConfig.serviceAccountScopes en
https://www.googleapis.com/auth/cloud-platform
(permisocloud-platform
) cuando usas versiones de imagen 2.0 o anteriores para habilitar el acceso de tu clúster a las API de Google Cloud (consulta la Práctica recomendada de permisos). El permisocloud-platform
está habilitado de forma predeterminada cuando creas un clúster que usa la versión 2.1 o posterior de la imagen de Dataproc.
Después de crear un clúster de Flink
- Usa el vínculo
Flink History Server
en la Puerta de enlace de componentes para ver el servidor de historial de Flink que se ejecuta en el clúster de Flink. - Usa
YARN ResourceManager link
en la puerta de enlace de componentes para ver la interfaz web del administrador de trabajos de Flink que se ejecuta en el clúster de Flink . - Crea un servidor de historial persistente de Dataproc para ver los archivos de historial de trabajos de Flink escritos por clústeres de Flink existentes y borrados.
Ejecuta trabajos de Flink con el recurso Jobs
de Dataproc
Puedes ejecutar trabajos de Flink mediante el recurso Jobs
de Dataproc desde Google Cloud Console, Google Cloud CLI o la API de Dataproc.
Consola
Para enviar un trabajo de recuento de palabras de Flink de muestra desde la consola, haz lo siguiente:
Abre la página Enviar un trabajo de Dataproc en la consola de Google Cloud en tu navegador.
Completa los campos de la página Enviar un trabajo:
- En Clúster (Cluster), selecciona el nombre del clúster que quieres elegir de la lista.
- Establece el Tipo de trabajo en
Flink
. - Establece Clase principal o jar (Main class or jar) en
org.apache.flink.examples.java.wordcount.WordCount
. - Configura los Archivos .jar (Jar files) en
file:///usr/lib/flink/examples/batch/WordCount.jar
.file:///
denota un archivo ubicado en el clúster. Dataproc instalóWordCount.jar
cuando creó el clúster de Flink.- Este campo también acepta una ruta de Cloud Storage (
gs://BUCKET/JARFILE
) o una ruta de acceso del sistema de archivos distribuido de Hadoop (HDFS) (hdfs://PATH_TO_JAR
).
Haz clic en Enviar.
- El resultado del controlador del trabajo se muestra en la página Detalles del trabajo.
- Los trabajos de flink se enumeran en la página Trabajos de Dataproc en la consola de Google Cloud.
- Haz clic en Detener o Borrar en las páginas Trabajos o Detalles del trabajo para detener o borrar un trabajo.
gcloud
Para enviar un trabajo de Flink a un clúster de Flink de Dataproc, ejecuta el comando gcloud Dataproc jobs Submit de gcloud CLI de forma local en una ventana de la terminal o en Cloud Shell.
gcloud dataproc jobs submit flink \ --cluster=CLUSTER_NAME \ --region=REGION \ --class=MAIN_CLASS \ --jar=JAR_FILE \ -- JOB_ARGS
Notas:
- CLUSTER_NAME: Especifica el nombre del clúster de Flink de Dataproc al que se enviará el trabajo.
- REGION: Especifica una región de Compute Engine en la que se encuentra el clúster.
- MAIN_CLASS: Especifica la clase
main
de tu aplicación de Flink, por ejemplo:org.apache.flink.examples.java.wordcount.WordCount
- JAR_FILE: Especifica el archivo jar de la aplicación de Flink. Puedes especificar lo siguiente:
- Un archivo JAR instalado en el clúster, con el prefijo
file:///`:
file:///usr/lib/flink/examples/streaming/TopSpeedWindowing.jar
file:///usr/lib/flink/examples/batch/WordCount.jar
- Un archivo JAR en Cloud Storage:
gs://BUCKET/JARFILE
- Un archivo JAR en HDFS:
hdfs://PATH_TO_JAR
- Un archivo JAR instalado en el clúster, con el prefijo
JOB_ARGS: De manera opcional, agrega argumentos de trabajo después del guion doble (
--
).Después de enviar el trabajo, el resultado del controlador del trabajo se muestra en la terminal local o de 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
En esta sección, se muestra cómo enviar un trabajo de Flink a un clúster de Flink de Dataproc con la API jobs.submit de Dataproc.
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- PROJECT_ID: El ID del proyecto de Google Cloud
- REGION: región del clúster
- CLUSTER_NAME: Especifica el nombre del clúster de Flink de Dataproc al que se enviará el trabajo.
HTTP method and URL:
POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID/regions/REGION/jobs:submit
Cuerpo JSON de la solicitud:
{ "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 tu solicitud, expande una de estas opciones:
Deberías recibir una respuesta JSON similar a la que se muestra a continuación:
{ "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" }
- Los trabajos de flink se enumeran en la página Trabajos de Dataproc en la consola de Google Cloud.
- Puedes hacer clic en Detener o Borrar en la página Trabajos o Detalles del trabajo en la consola de Google Cloud para detener o borrar un trabajo.
Ejecuta trabajos de Flink con la CLI de flink
En lugar de ejecutar trabajos de Flink con el recurso Jobs
de Dataproc, puedes ejecutar trabajos de Flink en el nodo principal de tu clúster de Flink mediante la CLI de flink
.
En las siguientes secciones, se describen diferentes formas en las que puedes ejecutar un trabajo de la CLI de flink
en tu clúster de Dataproc Flink.
Establece una conexión SSH al nodo principal: Usa la utilidad SSH para abrir una ventana de la terminal en la VM de la instancia principal del clúster.
Configura la ruta de clase: Inicializa la ruta de clase de Hadoop desde la ventana de la terminal SSH en la VM instancia principal del clúster de Flink:
export HADOOP_CLASSPATH=$(hadoop classpath)
Ejecuta trabajos de Flink: Puedes ejecutar trabajos de Flink en diferentes modos de implementación en YARN: de aplicación, por trabajo y de sesión.
Modo de aplicación: El modo de aplicación de Flink es compatible con la imagen 2.0 y versiones posteriores de la imagen de Dataproc. Este modo ejecuta el método
main()
del trabajo en el administrador de trabajos de YARN. El clúster se cierra después de que finaliza el trabajo.Ejemplo de envío de trabajo:
flink run-application \ -t yarn-application \ -Djobmanager.memory.process.size=1024m \ -Dtaskmanager.memory.process.size=2048m \ -Djobmanager.heap.mb=820 \ -Dtaskmanager.heap.mb=1640 \ -Dtaskmanager.numberOfTaskSlots=2 \ -Dparallelism.default=4 \ /usr/lib/flink/examples/batch/WordCount.jar
Enumera los trabajos en ejecución:
./bin/flink list -t yarn-application -Dyarn.application.id=application_XXXX_YY
Cancela un trabajo en ejecución:
./bin/flink cancel -t yarn-application -Dyarn.application.id=application_XXXX_YY <jobId>
Modo por trabajo: Este modo Flink ejecuta el método
main()
del trabajo en el cliente.Ejemplo de envío de trabajo:
flink run \ -m yarn-cluster \ -p 4 \ -ys 2 \ -yjm 1024m \ -ytm 2048m \ /usr/lib/flink/examples/batch/WordCount.jar
Modo de sesión: Inicia una sesión de YARN de Flink de larga duración y, luego, envía uno o más trabajos a la sesión.
Inicia una sesión: Puedes iniciar una sesión de Flink de una de las siguientes maneras:
Crea un clúster de Flink y agrega la marca
--metadata flink-start-yarn-session=true
al comandogcloud dataproc clusters create
(consulta Crea un clúster de Flink de Dataproc). Con esta marca habilitada, después de crear el clúster, Dataproc ejecuta/usr/bin/flink-yarn-daemon
para iniciar una sesión de Flink en el clúster.El ID de aplicación de YARN de la sesión se guarda en
/tmp/.yarn-properties-${USER}
. Puedes mostrar el ID con el comandoyarn application -list
.Ejecuta la secuencia de comandos
yarn-session.sh
de Flink, que está preinstalada en la VM de la instancia principal del clúster, con la configuración personalizada:Ejemplo con configuración personalizada:
/usr/lib/flink/bin/yarn-session.sh \ -s 1 \ -jm 1024m \ -tm 2048m \ -nm flink-dataproc \ --detached
Ejecuta el Flink de la secuencia de comandos del wrapper
/usr/bin/flink-yarn-daemon
con la configuración predeterminada:. /usr/bin/flink-yarn-daemon
Envía un trabajo a una sesión: Ejecuta el siguiente comando para enviar un trabajo de Flink a la sesión.
flink run -m <var>FLINK_MASTER_URL</var>/usr/lib/flink/examples/batch/WordCount.jar
- FLINK_MASTER_URL: Es la URL, incluidos el host y el puerto, de la VM principal de Flink en la que se ejecutan los trabajos.
Quita el
http:// prefix
de la URL. Esta URL aparece en el resultado del comando cuando inicias una sesión de Flink. Puedes ejecutar el siguiente comando para mostrar esta URL en el campoTracking-URL
:
yarn application -list -appId=<yarn-app-id> | sed 's#http://##' ```
- FLINK_MASTER_URL: Es la URL, incluidos el host y el puerto, de la VM principal de Flink en la que se ejecutan los trabajos.
Quita el
Crea una lista de trabajos en una sesión: Para mostrar una lista de los trabajos de Flink de una sesión, realiza una de las siguientes acciones:
Ejecuta
flink list
sin argumentos. El comando busca el ID de aplicación de YARN de la sesión en/tmp/.yarn-properties-${USER}
.Obtén el ID de aplicación de YARN de la sesión de
/tmp/.yarn-properties-${USER}
o el resultado deyarn application -list
y, luego, ejecuta<code>
flink list -yid YARN_APPLICATION_ID.Ejecuta
flink list -m FLINK_MASTER_URL
.
Detén una sesión: Para detener la sesión, obtén el ID de aplicación de YARN de la sesión de
/tmp/.yarn-properties-${USER}
o del resultado deyarn application -list
y, luego, ejecuta cualquiera de los siguientes comandos:echo "stop" | /usr/lib/flink/bin/yarn-session.sh -id YARN_APPLICATION_ID
yarn application -kill YARN_APPLICATION_ID
Ejecuta trabajos de Apache Beam en Flink
Puedes ejecutar trabajos de Apache Beam en Dataproc mediante FlinkRunner
.
Puedes ejecutar trabajos de Beam en Flink de las siguientes maneras:
- Trabajos de Java Beam
- Trabajos de Portable Beam
Trabajos de Java Beam
Empaqueta tus trabajos de Beam en un archivo JAR. Proporciona el archivo JAR empaquetado con las dependencias necesarias para ejecutar el trabajo.
En el siguiente ejemplo, se ejecuta un trabajo de Java Beam desde el nodo principal del clúster de Dataproc.
Crea un clúster de Dataproc con el componente Flink habilitado.
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
: Es la versión de la imagen del clúster, que determina la versión de Flink instalada en el clúster (por ejemplo, consulta las versiones de componente de Apache Flink enumeradas para las cuatro versiones 2.0.x más recientes y la cuatro anteriores).--region
: Es una región de Dataproc compatible.--enable-component-gateway
: Habilita el acceso a la IU del administrador de trabajo de Flink.--scopes
: Habilita el acceso a las API de Google Cloud para el clúster (consulta la Práctica recomendada de permisos). El permisocloud-platform
está habilitado de forma predeterminada (no es necesario que incluyas esta configuración de marca) cuando creas un clúster que usa la imagen de Dataproc 2.1 o una versión posterior.
Usa la utilidad SSH para abrir una ventana de la terminal en el nodo instancia principal del clúster de Flink.
Inicia una sesión de YARN de Flink en el nodo instancia principal del clúster de Dataproc.
. /usr/bin/flink-yarn-daemon
Toma nota de la versión de Flink en tu clúster de Dataproc.
flink --version
En tu máquina local, genera el ejemplo de recuento de palabras canónicos de Beam en Java.
Elige una versión de Beam compatible con la versión de Flink en tu clúster de Dataproc. Consulta la tabla Compatibilidad de versiones de Flink que enumera la compatibilidad de versiones de Beam-Flink.
Abre el archivo POM generado. Verifica la versión del ejecutor de Flink de Beam que especifica la etiqueta
<flink.artifact.name>
. Si la versión del ejecutor de Flink de Beam en el nombre del artefacto de Flink no coincide con la versión de Flink en tu clúster, actualiza el número de versión para que coincida.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
Empaqueta el ejemplo de conteo de palabras.
mvn package -Pflink-runner
Sube el archivo uber JAR empaquetado,
word-count-beam-bundled-0.1.jar
(~135 MB) al nodo principal del clúster de Dataproc. Puedes usargsutil cp
para transferencias de archivos más rápidas a tu clúster de Dataproc desde Cloud Storage.En tu terminal local, crea un bucket de Cloud Storage y sube el archivo uber JAR.
gsutil mb BUCKET_NAME
gsutil cp target/word-count-beam-bundled-0.1.jar gs://BUCKET_NAME/
En el nodo principal de Dataproc, descarga el archivo uber JAR.
gsutil cp gs://BUCKET_NAME/word-count-beam-bundled-0.1.jar .
Ejecutar el trabajo de Java Beam en el nodo principal del clúster de 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
Comprueba que los resultados se hayan escrito en tu bucket de Cloud Storage.
gsutil cat gs://BUCKET_NAME/java-wordcount-out-SHARD_ID
Detén la sesión de Flink en YARN.
yarn application -list
yarn application -kill YARN_APPLICATION_ID
Trabajos de Portable Beam
Para ejecutar trabajos de Beam escritos en Python, Go y otros lenguajes compatibles, puedes usar FlinkRunner
y PortableRunner
como se describe en la documentación del Ejecutor de Flink página (también consulta Hoja de ruta del marco de trabajo de portabilidad).
En el siguiente ejemplo, se ejecuta un trabajo portátil de Beam en Python desde el nodo principal del clúster de Dataproc.
Crea un clúster de Dataproc con los componentes Flink y Docker habilitados.
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
Notas:
--optional-components
: Flink y Docker.--image-version
: La versión de la imagen del clúster, que determina la versión de Flink instalada en el clúster (por ejemplo, consulta las versiones de los componentes de Apache Flink que se enumeran para las cuatro versiones de actualización de imagen 2.0.x más recientes y anteriores).--region
: Es una región de Dataproc disponible.--enable-component-gateway
: Habilita el acceso a la IU del administrador de trabajos de Flink.--scopes
: Habilita el acceso de tu clúster a las API de Google Cloud (consulta Práctica recomendada de permisos). El permisocloud-platform
está habilitado de forma predeterminada (no es necesario que incluyas esta configuración de marca) cuando creas un clúster que usa la imagen de Dataproc 2.1 o una versión posterior.
Usa
gsutil
de forma local o en Cloud Shell para crear un bucket de Cloud Storage. Especificarás BUCKET_NAME cuando ejecutes un programa de recuento de palabras de muestra.gsutil mb BUCKET_NAME
En una ventana de la terminal en la VM del clúster, inicia una sesión de YARN de Flink. Observa la URL de la instancia principal de Flink, la dirección de la instancia principal de Flink en la que se ejecutan los trabajos. Especificarás el FLINK_MASTER_URL cuando ejecutes un programa de recuento de palabras de muestra.
. /usr/bin/flink-yarn-daemon
Muestra y observa la versión de Flink que ejecuta el clúster de Dataproc. Especificarás el FLINK_VERSION cuando ejecutes un programa de recuento de palabras de muestra.
flink --version
Instala las bibliotecas de Python necesarias para el trabajo en el nodo de la instancia principal del clúster.
Instala una versión de Beam compatible con la versión de Flink en el clúster.
python -m pip install apache-beam[gcp]==BEAM_VERSION
Ejecuta el ejemplo de recuento de palabras en el nodo instancia principal del clúster.
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
Notas:
--runner
:FlinkRunner
.--flink_version
: FLINK_VERSION, como se mencionó antes.--flink_master
: FLINK_MASTER_URL, como se mencionó antes.--flink_submit_uber_jar
: Usa el JAR uber para ejecutar el trabajo de Beam.--output
: BUCKET_NAME, creado anteriormente.
Verifica que los resultados se hayan escrito en tu bucket.
gsutil cat gs://BUCKET_NAME/python-wordcount-out-SHARD_ID
Detén la sesión de Flink en YARN.
- Obtén el ID de aplicación.
yarn application -list
1. Insert the <var>YARN_APPLICATION_ID</var>, then stop the session.yarn application -kill
Ejecuta Flink en un clúster kerberizado
El componente Flink de Dataproc admite clústeres con Kerberos. Se necesita un ticket de Kerberos válido para enviar y conservar un trabajo de Flink o iniciar un clúster de Flink. De forma predeterminada, los tickets de Kerberos son válidos durante siete días.
Accede a la IU de Flink Job Manager
La interfaz web del administrador de trabajo de Flink está disponible mientras se ejecuta un clúster de Flink o un clúster de sesión de Flink. Para usar la interfaz web, haz lo siguiente:
- Crea un clúster de Dataproc Flink.
- Después de crear el clúster, haz clic en el vínculo de ResourceManager de YARN en Puerta de enlace de componentes en la pestaña Interfaz web de la página Detalles del clúster en la consola de Google Cloud.
- En la IU de Resource Manager de YARN, identifica la entrada de la aplicación del clúster de Flink. Según el estado de finalización de un trabajo, se mostrará un vínculo ApplicationMaster o History.
- En un trabajo de transmisión de larga duración, haz clic en el vínculo ApplicationManager para abrir el panel de Flink; para un trabajo completado, haz clic en el vínculo Historial para ver los detalles del trabajo.