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), quindi eseguire job Flink sul cluster.

Puoi utilizzare il cluster Flink per:

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

  2. Esegui i 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 kerberizzato.

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.

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

Puoi eseguire job Flink utilizzando la risorsa Jobs di Dataproc 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 di Dataproc Invia un job nella console Google Cloud nel browser.

  2. Compila i campi della pagina Invia un job:

    1. Seleziona il nome del tuo Cluster dall'elenco.
    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 al momento della creazione del cluster Flink.
      • Questo campo accetta anche un percorso Cloud Storage (gs://BUCKET/JARFILE) o un percorso Hadoop Distributed File System (HDFS) (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 nella 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 Dataproc Flink, 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 della tua 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, utilizzando 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 gli argomenti del job dopo il doppio trattino (--).

  • Dopo aver inviato il job, l'output del driver del job viene visualizzato nel terminale locale o 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 di queste 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 nella 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 Jobs di Dataproc, puoi eseguire job Flink sul nodo master del cluster Flink utilizzando l'interfaccia a riga di comando flink.

Le seguenti sezioni descrivono diversi modi per eseguire un job dell'interfaccia a riga di comando flink sul tuo cluster Dataproc Flink.

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

  2. Imposta 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 immagini Dataproc versione 2.0 e successive. Questa modalità esegue il metodo main() del job nel gestore dei job YARN. Il cluster si arresta al termine del job.

      Esempio di invio del lavoro:

      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 del lavoro:

      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 di 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 di Dataproc). Con questo flag 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 Flink del wrapper /usr/bin/flink-yarn-daemon con le impostazioni predefinite:

          . /usr/bin/flink-yarn-daemon

      2. Inviare 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 il campo http:// prefix dall'URL. Questo URL è elencato nell'output comando quando avvii una sessione Flink. Puoi eseguire questo comando per elencare questo URL nel campo Tracking-URL:
        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. Arresta una sessione: per interrompere la sessione, recupera 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 il comando FlinkRunner.

Puoi eseguire job Beam su Flink nei seguenti modi:

  1. Job Java Beam
  2. Job Beam portatili

Job Java Beam

Pacchettizza i job Beam in un file JAR. Fornisci al file JAR in bundle 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 immagine del cluster, che determina la versione Flink installata sul cluster (ad esempio, consulta le versioni dei componenti Apache Flink elencate per le quattro versioni di rilascio di immagini 2.0.x più recente e precedente).
    • --region: una regione di Dataproc supportata.
    • --enable-component-gateway: attiva l'accesso all'interfaccia utente di Flink Job Manager.
    • --scopes: abilita l'accesso alle API Google Cloud da parte del tuo cluster (consulta la 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 un'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 Flink sul tuo cluster Dataproc.

    flink --version

  4. Sulla tua macchina locale, genera l'esempio di conteggio parole Beam canonico in Java.

    Scegli una versione Beam compatibile con la versione Flink sul cluster Dataproc. Consulta la tabella Compatibilità delle versioni Flink che elenca la compatibilità delle versioni Beam-Flink.

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

    mvn package -Pflink-runner

  6. Carica il file JAR in pacchetto Uber, 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 al 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. Scarica Uber JAR sul nodo master di Dataproc.

      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 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 in 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 Flink installata sul cluster. Ad esempio, consulta le versioni dei componenti Apache Flink elencate per le quattro versioni di rilascio di immagini 2.0.x più recente e precedente.
    • --region: una regione Dataproc disponibile.
    • --enable-component-gateway: attiva l'accesso all'interfaccia utente di Flink Job Manager.
    • --scopes: abilita l'accesso alle API Google Cloud da parte del tuo cluster (consulta la 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 un'immagine Dataproc versione 2.1 o successiva.

  2. Usa gsutil in locale o in Cloud Shell per creare un bucket Cloud Storage. Specificherai il campo BUCKET_NAME quando eseguirai 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. Prendi nota dell'URL master Flink, l'indirizzo del master Flink in cui vengono eseguiti i job. Specificherai il FLINK_MASTER_URL quando eseguirai un programma di conteggio parole di esempio.

    . /usr/bin/flink-yarn-daemon

    Visualizza e nota la versione Flink che esegue il cluster Dataproc. Specificherai il FLINK_VERSION quando eseguirai 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, quanto indicato in precedenza.
    • --flink_master: FLINK_MASTER_URL, quanto indicato in precedenza.
    • --flink_submit_uber_jar: usa JAR Uber per eseguire il job Beam.
    • --output: BUCKET_NAME, creato in precedenza.

  7. Verifica che i risultati siano stati scritti nel 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 sessione Flink. Per utilizzare l'interfaccia web:

  1. Crea un cluster Dataproc Flink.
  2. Dopo la creazione del cluster, fai clic sul link ResourceManager Gateway componenti nella scheda Interfaccia web della pagina Dettagli cluster nella 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 streaming 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.