Puoi installare componenti aggiuntivi come Jupyter quando crei un cluster Dataproc utilizzando la funzionalità Componenti facoltativi. Questa pagina descrive il componente Jupyter.
Il componente Jupyter è un notebook per un solo utente basato su web per l'analisi interattiva dei dati e supporta l'interfaccia utente web di JupyterLab. L'interfaccia utente web di Jupyter è disponibile sulla porta 8123
nel primo nodo master del cluster.
Avvia notebook per più utenti. Puoi creare un'istanza Vertex AI Workbench abilitata per Dataproc o installare il plug-in JupyterLab di Dataproc su una VM per fornire i notebook a più utenti.
Configura Jupyter. Jupyter può essere configurato fornendo dataproc:jupyter
proprietà del cluster.
Per ridurre il rischio di esecuzione di codice remoto tramite API di server di notebook non sicuri, l'impostazione predefinita della proprietà del cluster dataproc:jupyter.listen.all.interfaces
è false
, che limita le connessioni a localhost (127.0.0.1)
quando il gateway dei componenti è attivato (l'attivazione del gateway dei componenti è obbligatoria durante l'installazione del componente Jupyter).
Il blocco note Jupyter fornisce un kernel Python per eseguire il codice Spark e un
kernel PySpark. Per impostazione predefinita, i blocchi note vengono salvati in Cloud Storage nel bucket gestione temporanea Dataproc, specificato dall'utente o creato automaticamente al momento della creazione del cluster. La posizione può essere modificata al momento della creazione del cluster utilizzando la proprietà del cluster dataproc:jupyter.notebook.gcs.dir
.
Lavorare con i file di dati. Puoi utilizzare un blocco note Jupyter per lavorare con i file di dati che sono stati caricati su Cloud Storage. Poiché il connettore Cloud Storage è preinstallato su un cluster Dataproc, puoi fare riferimento ai file direttamente nel notebook. Ecco un esempio che accede ai file CSV in Cloud Storage:
df = spark.read.csv("gs://bucket/path/file.csv") df.show()
Per esempi di PySpark, consulta Funzioni generiche di caricamento e salvataggio.
Installa Jupyter
Installa il componente quando crei un cluster Dataproc. Il componente Jupyter richiede l'attivazione del gateway dei componenti di Dataproc.
Console
- Attiva il componente.
- Nella console Google Cloud, apri la pagina Dataproc Crea un cluster. Il riquadro Configura cluster è selezionato.
- Nella sezione Componenti:
- In Componenti facoltativi, seleziona il componente Jupyter.
- In Gateway dei componenti, seleziona Attiva gateway dei componenti (consulta Visualizzare e accedere agli URL del gateway dei componenti).
Interfaccia a riga di comando gcloud
Per creare un cluster Dataproc che includa il componente Jupyter,
utilizza il comando
gcloud dataproc clusters create cluster-name con il flag --optional-components
.
Esempio di versione dell'immagine predefinita più recente
Il seguente esempio installa il componente Jupyter su un cluster che utilizza la versione dell'immagine predefinita più recente.
gcloud dataproc clusters create cluster-name \ --optional-components=JUPYTER \ --region=region \ --enable-component-gateway \ ... other flags
API REST
Il componente Jupyter può essere installato tramite l'API Dataproc utilizzando SoftwareConfig.Component
all'interno di una richiesta clusters.create
.
- Imposta la proprietà EndpointConfig.enableHttpPortAccess su
true
nell'ambito della richiestaclusters.create
per consentire la connessione all'interfaccia utente web di Jupyter Notebook utilizzando Component Gateway.
Aprire le interfacce utente di Jupyter e JupyterLab
Fai clic sui link della console Google Cloud Component Gateway per aprire nel browser locale il Jupyter notebook o l'interfaccia utente di JupyterLab in esecuzione sul nodo master del cluster.
Seleziona "GCS" o "Disco locale" per creare un nuovo blocco note Jupyter in entrambe le posizioni.
Collega le GPU ai nodi master e worker
Puoi aggiungere GPU ai nodi master e worker del tuo cluster quando utilizzi un Jupyter Notebook per:
- Esegui la preelaborazione dei dati in Spark, poi raccogli un DataFrame sul master ed esegui TensorFlow
- Utilizzare Spark per orchestrare le esecuzioni di TensorFlow in parallelo
- Esegui Tensorflow-on-YARN
- Utilizzo con altri scenari di machine learning che utilizzano GPU