Composant Flink facultatif de Dataproc

Vous pouvez activer des composants supplémentaires tels que Flink lorsque vous créez un cluster Dataproc à l'aide de la fonctionnalité Composants facultatifs. Cette page explique comment créer un cluster Dataproc avec le composant facultatif Apache Flink activé (cluster Flink), puis exécuter des tâches Flink sur le cluster.

Vous pouvez utiliser votre cluster Flink pour:

  1. Exécutez des tâches Flink à l'aide de la ressource Jobs Dataproc à partir de la console Google Cloud, de Google Cloud CLI ou de l'API Dataproc.

  2. Exécutez des tâches Flink à l'aide de la CLI flink s'exécutant sur le nœud maître du cluster Flink.

  3. Exécuter des tâches Apache Beam sur Flink

  4. Exécuter Flink sur un cluster kerberisé

Vous pouvez utiliser la console Google Cloud, Google Cloud CLI ou l'API Dataproc pour créer un cluster Dataproc sur lequel le composant Flink est activé.

Recommandation:Utilisez un cluster de VM standard à un maître avec le composant Flink. Les clusters en mode haute disponibilité Dataproc (avec trois VM maîtres) ne sont pas compatibles avec le mode haute disponibilité Flink.

Vous pouvez exécuter des tâches Flink à l'aide de la ressource Dataproc Jobs depuis la console Google Cloud, Google Cloud CLI ou l'API Dataproc.

Console

Pour envoyer un exemple de tâche Flink "wordcount" depuis la console:

  1. Ouvrez la page Dataproc Envoyer une tâche dans la console Google Cloud de votre navigateur.

  2. Remplissez les champs de la page Submit a job (Envoyer une tâche) :

    1. Sélectionnez le nom du cluster dans la liste des clusters.
    2. Définissez le Type de tâche sur Flink.
    3. Définissez le champ Main class or jar (Classe principale ou fichier JAR) sur org.apache.flink.examples.java.wordcount.WordCount.
    4. Définissez Fichiers JAR sur file:///usr/lib/flink/examples/batch/WordCount.jar.
      • file:/// indique un fichier situé dans le cluster. Dataproc a installé WordCount.jar lors de la création du cluster Flink.
      • Ce champ accepte également un chemin d'accès Cloud Storage (gs://BUCKET/JARFILE) ou un chemin d'accès HDFS (Hadoop Distributed File System) (hdfs://PATH_TO_JAR).

  3. Cliquez sur Submit (Envoyer).

    • Les résultats du pilote de tâches sont affichés sur la page Informations sur la tâche.
    • Les tâches Flink sont répertoriées sur la page Tâches Dataproc dans la console Google Cloud.
    • Cliquez sur Arrêter ou Supprimer sur la page Tâches ou Informations sur la tâche pour arrêter ou supprimer une tâche.

gcloud

Pour envoyer une tâche Flink à un cluster Dataproc Flink, exécutez la commande gcloud Dataproc jobssubmit de la gcloud CLI, en local dans une fenêtre de terminal ou dans Cloud Shell. 

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

Remarques :

  • CLUSTER_NAME: spécifiez le nom du cluster Dataproc Flink auquel envoyer la tâche.
  • REGION: spécifiez la région Compute Engine dans laquelle se trouve le cluster.
  • MAIN_CLASS: spécifiez la classe main de votre application Flink, par exemple :
    • org.apache.flink.examples.java.wordcount.WordCount
  • JAR_FILE: spécifier le fichier JAR de l'application Flink. Vous pouvez spécifier les éléments suivants :
    • Un fichier JAR installé sur le cluster, à l'aide du préfixe file:///
        :
      • file:///usr/lib/flink/examples/streaming/TopSpeedWindowing.jar
      • file:///usr/lib/flink/examples/batch/WordCount.jar
    • Un fichier JAR dans Cloud Storage : gs://BUCKET/JARFILE
    • Un fichier JAR dans HDFS : hdfs://PATH_TO_JAR

  • JOB_ARGS: vous pouvez éventuellement ajouter des arguments de tâche après le double tiret (--).

  • Une fois la tâche envoyée, le résultat du pilote de tâche s'affiche dans le terminal local ou 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

Cette section explique comment envoyer une tâche Flink à un cluster Dataproc Flink à l'aide de l'API Dataproc jobs.submit.

Avant d'utiliser les données de requête, effectuez les remplacements suivants:

  • PROJECT_ID: ID du projet Google Cloud
  • REGION : région du cluster
  • CLUSTER_NAME: spécifiez le nom du cluster Flink Dataproc auquel envoyer la tâche.

Méthode HTTP et URL : 

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

Corps JSON de la requête : 

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

Pour envoyer votre requête, développez l'une des options suivantes :

Vous devriez recevoir une réponse JSON de ce type :

{
  "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"
}
  • Les tâches Flink sont répertoriées sur la page Tâches Dataproc dans la console Google Cloud.
  • Vous pouvez cliquer sur Arrêter ou Supprimer sur la page Tâches ou Informations sur la tâche de la console Google Cloud pour arrêter ou supprimer une tâche.

Au lieu d'exécuter des tâches Flink à l'aide de la ressource Dataproc Jobs, vous pouvez exécuter des tâches Flink sur le nœud maître de votre cluster Flink à l'aide de la CLI flink.

Les sections suivantes décrivent différentes manières d'exécuter une tâche de CLI flink sur votre cluster Dataproc Flink.

  1. SSH sur le nœud maître:utilisez l'utilitaire SSH pour ouvrir une fenêtre de terminal sur la VM maître du cluster.

  2. Définissez le classpath:initialisez le classpath Hadoop à partir de la fenêtre de terminal SSH sur la VM maître du cluster Flink:

    export HADOOP_CLASSPATH=$(hadoop classpath)

  3. Exécuter des tâches Flink:vous pouvez exécuter des tâches Flink dans différents modes de déploiement sur YAML: application, tâche par tâche et mode de session.

    1. Mode application:le mode application Flink est compatible avec les versions d'image 2.0 et ultérieures de Dataproc. Ce mode exécute la méthode main() de la tâche sur le gestionnaire de tâches YAML. Le cluster s'arrête une fois la tâche terminée.

      Exemple d'envoi de tâche:

      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

      Répertoriez les tâches en cours d'exécution:

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

      Annuler une tâche en cours d'exécution:

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

    2. Mode par tâche:ce mode Flink exécute la méthode main() de la tâche côté client.

      Exemple d'envoi de tâche:

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

    3. Mode session:démarrez une session Flink YARN de longue durée, puis envoyez une ou plusieurs tâches à la session.

      1. Démarrer une session:vous pouvez démarrer une session Flink de l'une des manières suivantes:

        1. Créez un cluster Flink en ajoutant l'option --metadata flink-start-yarn-session=true à la commande gcloud dataproc clusters create (consultez la section Créer un cluster Flink Dataproc). Lorsque cette option est activée, Dataproc exécute /usr/bin/flink-yarn-daemon pour démarrer une session Flink sur le cluster une fois le cluster créé.

          L'ID d'application YARN de la session est enregistré dans /tmp/.yarn-properties-${USER}. Vous pouvez lister les ID à l'aide de la commande yarn application -list.

        2. Exécutez le script Flink yarn-session.sh, préinstallé sur la VM maître du cluster, avec des paramètres personnalisés:

          Exemple avec des paramètres personnalisés:

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

        3. Exécutez Flink le script du wrapper /usr/bin/flink-yarn-daemon avec les paramètres par défaut:

          . /usr/bin/flink-yarn-daemon

      2. Envoyer une tâche à une session:exécutez la commande suivante pour envoyer une tâche Flink à la session.

        flink run -m <var>FLINK_MASTER_URL</var>/usr/lib/flink/examples/batch/WordCount.jar
        • FLINK_MASTER_URL: URL, y compris l'hôte et le port, de la VM maître Flink où les tâches sont exécutées. Supprimez le http:// prefix de l'URL. Cette URL est répertoriée dans le résultat de la commande lorsque vous démarrez une session Flink. Vous pouvez exécuter la commande suivante pour répertorier cette URL dans le champ Tracking-URL:
        yarn application -list -appId=<yarn-app-id> | sed 's#http://##'
   ```

      3. Répertorier les tâches dans une session:pour répertorier les tâches Flink dans une session, effectuez l'une des opérations suivantes:

        • Exécutez flink list sans arguments. La commande recherche l'ID d'application YARN de la session dans /tmp/.yarn-properties-${USER}.

        • Obtenez l'ID application YARN de la session à partir de /tmp/.yarn-properties-${USER} ou dans la sortie de yarn application -list, puis exécutez <code>flink list -yid YARN_APPLICATION_ID.

        • Exécutez flink list -m FLINK_MASTER_URL.

      4. Arrêtez une session:pour arrêter la session, obtenez l'ID application YARN de la session à partir de /tmp/.yarn-properties-${USER} ou dans le résultat de yarn application -list, puis exécutez l'une des commandes suivantes:

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

        yarn application -kill YARN_APPLICATION_ID

Vous pouvez exécuter des tâches Apache Beam sur Dataproc à l'aide de la commande FlinkRunner.

Vous pouvez exécuter des tâches Beam sur Flink de différentes manières:

  1. Tâches Java Beam
  2. Tâches portables Beam

Tâches Java Beam

Empaquetez vos tâches Beam dans un fichier JAR. Fournissez le fichier JAR groupé avec les dépendances nécessaires à l'exécution de la tâche.

L'exemple suivant exécute une tâche Java Beam à partir du nœud maître du cluster Dataproc.

  1. Créez un cluster Dataproc avec le composant Flink activé.

    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 version de l'image du cluster qui détermine la version Flink installée sur le cluster (par exemple, consultez les versions des composants Apache Flink répertoriées pour les quatre versions suivantes et précédentes des Versions 2.0.x de l'image).
    • --region: région Dataproc compatible
    • --enable-component-gateway: permet d'accéder à l'interface utilisateur du gestionnaire de tâches Flink.
    • --scopes: activez l'accès aux API Google Cloud pour votre cluster (consultez la section Bonnes pratiques concernant les champs d'application). Le champ d'application cloud-platform est activé par défaut (vous n'avez pas besoin d'inclure ce paramètre d'option) lorsque vous créez un cluster qui utilise l'image Dataproc version 2.1 ou ultérieure.

  2. Utilisez l'utilitaire SSH pour ouvrir une fenêtre de terminal sur le nœud maître du cluster Flink.

  3. Démarrez une session Flink YARN sur le nœud maître du cluster Dataproc.

    . /usr/bin/flink-yarn-daemon

    Notez la version de Flink sur votre cluster Dataproc.

    flink --version

  4. Sur votre ordinateur local, générez l'exemple canonique de nombre de mots Beam en Java.

    Choisissez une version de Beam compatible avec la version de Flink de votre cluster Dataproc. Consultez le tableau Compatibilité avec les versions de Flink qui répertorie la compatibilité des versions de Beam-Flink.

    Ouvrez le fichier POM généré. Vérifiez la version de l'exécuteur Beam Flink spécifiée par le tag <flink.artifact.name>. Si la version de l'exécuteur Beam Flink dans le nom de l'artefact Flink ne correspond pas à la version Flink de votre cluster, mettez à jour le numéro de version.

    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. Empaqueter l'exemple de décompte de mots.

    mvn package -Pflink-runner

  6. Importez le fichier uber JAR empaqueté word-count-beam-bundled-0.1.jar (~135 Mo) sur le nœud maître de votre cluster Dataproc. Vous pouvez utiliser gsutil cp pour accélérer les transferts de fichiers vers votre cluster Dataproc à partir de Cloud Storage.

    1. Sur votre terminal local, créez un bucket Cloud Storage et importez le fichier Uber JAR.

      gsutil mb BUCKET_NAME

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

    2. Sur le nœud maître de Dataproc, téléchargez le fichier Uber JAR.

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

  7. Exécutez la tâche Java Beam sur le nœud maître du 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. Vérifiez que les résultats ont bien été écrits dans votre bucket Cloud Storage.

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

  9. Arrêtez la session YARN Flink.

    yarn application -list

yarn application -kill YARN_APPLICATION_ID

Tâches Beam portables

Pour exécuter des tâches Beam écrites en Python, Go et d'autres langages compatibles, vous pouvez utiliser FlinkRunner et PortableRunner, comme décrit dans l'exécuteur Flink de Beam (voir aussi Feuille de route de la portabilité).

L'exemple suivant exécute une tâche Beam portable en Python à partir du nœud maître du cluster Dataproc.

  1. Créez un cluster Dataproc avec les composants Flink et Docker activés.

    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

    Remarques :

    • --optional-components: Flink et Docker.
    • --image-version: version d'image du cluster, qui détermine la version de Flink installée sur le cluster (par exemple, consultez les versions du composant Apache Flink listées pour la dernière et les quatre versions précédentes de l'image 2.0.x).
    • --region: région Dataproc disponible
    • --enable-component-gateway: active l'accès à l'interface utilisateur du gestionnaire de tâches Flink.
    • --scopes: activez l'accès aux API Google Cloud pour votre cluster (consultez la section Bonnes pratiques concernant les champs d'application). Le champ d'application cloud-platform est activé par défaut (vous n'avez pas besoin d'inclure ce paramètre d'option) lorsque vous créez un cluster qui utilise l'image Dataproc version 2.1 ou ultérieure.

  2. Utilisez gsutil en local ou dans Cloud Shell pour créer un bucket Cloud Storage. Vous spécifierez BUCKET_NAME lorsque vous exécuterez un exemple de programme "wordcount".

    gsutil mb BUCKET_NAME

  3. Dans une fenêtre de terminal sur la VM du cluster, démarrez une session Flink YARN. Notez l'URL maître Flink, qui correspond à l'adresse du maître Flink où les tâches sont exécutées. Vous spécifierez FLINK_MASTER_URL lorsque vous exécuterez un exemple de programme "wordcount".

    . /usr/bin/flink-yarn-daemon

    Affichez et notez la version de Flink qui exécute le cluster Dataproc. Vous spécifierez FLINK_VERSION lorsque vous exécuterez un exemple de programme "wordcount".

    flink --version

  4. Installez les bibliothèques Python nécessaires à la tâche sur le nœud maître du cluster.

  5. Installez une version de Beam compatible avec la version de Flink sur le cluster.

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

  6. Exécutez l'exemple de nombre de mots sur le nœud maître du 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

    Remarques :

    • --runner : FlinkRunner.
    • --flink_version: FLINK_VERSION, noté précédemment.
    • --flink_master: FLINK_MASTER_URL, noté précédemment.
    • --flink_submit_uber_jar: utilisez le fichier Uber JAR pour exécuter la tâche Beam.
    • --output: BUCKET_NAME, créé précédemment.

  7. Vérifiez que les résultats ont été écrits dans votre bucket.

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

  8. Arrêtez la session YARN Flink.

    1. Permet d'obtenir l'ID application.
    yarn application -list

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

yarn application -kill

Le composant Dataproc Flink est compatible avec les clusters kerberisés. Un ticket Kerberos valide est nécessaire pour envoyer et conserver une tâche Flink ou pour démarrer un cluster Flink. Par défaut, un ticket Kerberos reste valide pendant sept jours.

L'interface Web du gestionnaire de tâches Flink est disponible lorsqu'une tâche Flink ou un cluster de session Flink est en cours d'exécution. Pour utiliser l'interface Web:

  1. Créez un cluster Dataproc Flink.
  2. Après avoir créé le cluster, cliquez sur le lien Passerelle des composants YARN ResourceManager dans l'onglet "Interface Web" de la page Détails du cluster dans la console Google Cloud.
  3. Dans l'interface utilisateur YARN Resource Manager, identifiez l'entrée de l'application de cluster Flink. En fonction de l'état d'avancement d'une tâche, un lien ApplicationMaster ou History s'affiche.
  4. Pour une tâche de streaming de longue durée, cliquez sur le lien ApplicationManager pour ouvrir le tableau de bord Flink. Pour une tâche terminée, cliquez sur le lien Historique pour afficher les détails de la tâche.