Componente opcional de Dataproc de Jupyter

Puedes instalar componentes adicionales, como Jupyter, cuando crees 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 basado en la Web para estadísticas de datos interactivos 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.

• Jupyter se puede configurar proporcionando propiedades del clúster dataproc:jupyter. Para reducir el riesgo de ejecución remota de código a través de las APIs del servidor de notebook no seguras, la configuración predeterminada de la propiedad del clúster dataproc:jupyter.listen.all.interfaces es false, la cual restringe las conexiones a localhost (127.0.0.1) cuando la puerta de enlace de componentes está habilitada (la activación de la puerta de enlace del componente).

El notebook de Jupyter proporciona un kernel de Python para ejecutar el código de Spark y un kernel de PySpark. De forma predeterminada, los notebook se guardan en Cloud Storage en el bucket de staging 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 a través de la propiedad del clúster dataproc:jupyter.notebook.gcs.dir.

Trabaja con archivos de datos. Es fácil 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 (consulta Generic Load/Save Functions (Funciones genéricas de carga y guardado)) para obtener más ejemplos de carga y guardado de datos de PySpark:

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

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. Cuando usas la versión 1.5 de la imagen, la instalación del componente de Jupyter también requiere la instalación del componente Anaconda.

Consola

1. Habilita el componente.
   • En la consola de Google Cloud, abre la página Crear un clúster de Dataproc. El panel Configurar clúster está seleccionado.
   • En la sección Componentes (Components):
     • En Componentes opcionales, selecciona el componente Jupyter y, si usas la versión 1.5 de la imagen, el componente Anaconda.
     • En Puerta de enlace del componente, selecciona Habilitar puerta de enlace de componentes (consulta Visualiza y accede a las URL de la puerta de enlace de componentes).

CLI de gcloud

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

Ejemplo de la versión predeterminada de la imagen más reciente

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

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

Ejemplo de versión de imagen 1.5

En el siguiente ejemplo de la versión de la imagen 1.5, se instalan los componentes de Jupyter y Anaconda (se requiere la instalación del componente Anaconda cuando se usa la versión 1.5 de la imagen).

gcloud dataproc clusters create cluster-name \
    --optional-components=ANACONDA,JUPYTER \
    --region=region \
    --image-version=1.5 \
    --enable-component-gateway \
    ... other flags

API de REST

El componente de Jupyter se puede instalar a través de la API de Dataproc mediante SoftwareConfig.Component como parte de una solicitud clusters.create (también se requiere la instalación del componente Anaconda cuando se usa la versión 1.5 de la imagen).

• Configura la propiedad EndpointConfig.enableHttpPortAccess en true como parte de la solicitud clusters.create para habilitar la conexión a la IU web del notebook de Jupyter mediante la puerta de enlace del componente.

Abre las IU de Jupyter y JupyterLab

Haz clic en los vínculos de la puerta de enlace de componentes de la consola de Google Cloud para abrir en tu navegador local el notebook de Jupyter o la IU de 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.

Adjunta GPU a nodos trabajadores o principales

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

1. Procesar previamente 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