Componente opcional de Jupyter de Dataproc

Puedes instalar componentes adicionales, como Jupyter, cuando creas un clúster de Dataproc con la función de componentes opcionales. En esta página, se describe el componente de Jupyter.

El componente Jupyter es un notebook de un solo usuario basado en la Web para estadísticas de datos interactivas y es compatible con la IU web de JupyterLab. La IU web de Jupyter está disponible en el puerto 8123 del primer nodo principal del clúster.

Iniciar notebooks para varios usuarios Puedes crear una instancia de Vertex AI Workbench habilitada para Dataproc o instalar el complemento JupyterLab de Dataproc en una VM para entregar notebooks a varios usuarios.

Configura Jupyter. Jupyter se puede configurar si se proporcionan las propiedades del clúster dataproc:jupyter. Para reducir el riesgo de ejecución de código remoto en las APIs de servidor de notebook no seguro, el parámetro de configuración predeterminado de la propiedad del clúster dataproc:jupyter.listen.all.interfaces es false, que restringe las conexiones a localhost (127.0.0.1) cuando la puerta de enlace del componente está habilitada (se requiere la activación de la puerta de enlace del componente cuando se instala el componente de Jupyter).

El notebook de Jupyter proporciona un kernel de Python para ejecutar el código de Spark y un kernel de PySpark. De forma predeterminada, los notebooks se guardan en Cloud Storage en el bucket de etapa de pruebas de Dataproc, que el usuario especifica o que se crea de forma automática junto con el clúster. La ubicación se puede cambiar en el momento de la creación del clúster con la propiedad de clúster dataproc:jupyter.notebook.gcs.dir.

Trabaja con archivos de datos. Puedes usar un notebook de Jupyter para trabajar con archivos de datos que se subieron a Cloud Storage. Dado que el conector de Cloud Storage está preinstalado en un clúster de Dataproc, puedes hacer referencia a los archivos directamente en tu notebook. A continuación, se muestra un ejemplo que accede a archivos CSV en Cloud Storage:

df = spark.read.csv("gs://bucket/path/file.csv")
df.show()

Consulta Generic Load and Save Functions (Funciones genéricas de carga y guardado) para ver ejemplos de PySpark.

Instala Jupyter

Instala el componente cuando crees un clúster de Dataproc. El componente de Jupyter requiere la activación de la puerta de enlace de componentes de Dataproc.

Console

  1. Habilita el componente.

gcloud CLI

Para crear un clúster de Dataproc que incluya el componente Jupyter, usa el comando gcloud dataproc clusters create cluster-name con la marca --optional-components.

Ejemplo de la versión de imagen predeterminada más reciente

En el siguiente ejemplo, se instala el componente de Jupyter en un clúster que usa la versión de imagen predeterminada más reciente.

gcloud dataproc clusters create cluster-name \
    --optional-components=JUPYTER \
    --region=region \
    --enable-component-gateway \
    ... other flags

API de REST

El componente de Jupyter se puede instalar a través de la API de Dataproc con SoftwareConfig.Component como parte de una solicitud clusters.create.

Abre las IU de Jupyter y JupyterLab

Haz clic en los vínculos de la puerta de enlace del componente de la consola para abrir en tu navegador local la IU de Jupyter Notebook o JupyterLab que se ejecuta en el nodo instancia principal del clúster

Selecciona "GCS" o "Disco Local" para crear un nuevo notebook de Jupyter en cualquier ubicación.

Cómo adjuntar GPU a nodos principales y trabajadores

Puedes agregar GPU a los nodos principales y trabajadores de tu clúster cuando usas un notebook de Jupyter para lo siguiente:

  1. Procesar los datos en Spark, luego recopilar un DataFrame en la instancia principal y ejecutar TensorFlow
  2. Usa Spark para organizar las ejecuciones de TensorFlow en paralelo
  3. Ejecuta Tensorflow-on-YARN
  4. Uso con otras situaciones de aprendizaje automático que usan GPU