Composant Jupyter Dataproc facultatif

Vous pouvez installer des composants supplémentaires tels que Jupyter lorsque vous créez un cluster Dataproc à l'aide de la fonctionnalité Composants facultatifs. Cette page décrit le composant Jupyter.

Le composant Jupyter est un notebook Web pour l'analyse interactive des données. Il est compatible avec l'interface utilisateur Web de JupyterLab. L'interface utilisateur Web de Jupyter est disponible sur le port 8123 du premier nœud maître du cluster.

• Jupyter peut être configuré en fournissant des propriétés de cluster dataproc:jupyter. Pour réduire le risque d'exécution de code à distance sur les API de serveur de notebooks non sécurisées, le paramètre de propriété de cluster dataproc:jupyter.listen.all.interfaces par défaut est false, ce qui limite les connexions à localhost (127.0.0.1) lorsque la passerelle des composants est activée (l'activation de la passerelle des composants est requise lors de l'installation du composant Jupyter).

Le notebook Jupyter fournit un noyau Python pour exécuter le code Spark, ainsi qu'un noyau PySpark. Par défaut, les notebooks sont enregistrés dans Cloud Storage dans le bucket de préproduction Dataproc, qui est spécifié par l'utilisateur ou créé automatiquement lors de la création du cluster. L'emplacement peut être modifié au moment de la création du cluster via la propriété de cluster dataproc:jupyter.notebook.gcs.dir.

Utiliser des fichiers de données. Il est facile d'utiliser un notebook Jupyter pour manipuler des fichiers de données importés sur Cloud Storage. Cloud Storage Connector étant pré-installé sur un cluster Dataproc, vous pouvez référencer les fichiers directement dans votre notebook. Voici un exemple qui accède aux fichiers CSV dans Cloud Storage (consultez la page Generic Load/Save Functions pour plus d'exemples de chargement/d'enregistrement de données PySpark) :

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

Installer Jupyter

Installez le composant lorsque vous créez un cluster Dataproc. Le composant Jupyter nécessite l'activation de la passerelle des composants Dataproc. Lorsque vous utilisez la version d'image 1.5, l'installation du composant Jupyter nécessite également l'installation du composant Anaconda.

Console

1. Activez le composant.
   • Dans la console Google Cloud, ouvrez la page Dataproc Créer un cluster. Le panneau Configurer le cluster est sélectionné.
   • Dans la section Composants :
     • Sous Composants facultatifs, sélectionnez le composant Jupyter et, si vous utilisez la version 1.5 de l'image, le composant Anaconda.
     • Sous Passerelle des composants, sélectionnez Activer la passerelle des composants (consultez la section Afficher les URL de la passerelle des composants et y accéder).

CLI gcloud

Pour créer un cluster Dataproc incluant le composant Jupyter, exécutez la commande gcloud dataproc clusters create cluster-name avec l'option --optional-components.

Exemple de version d'image par défaut la plus récente

L'exemple suivant installe le composant Jupyter sur un cluster qui utilise la dernière version d'image par défaut.

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

Exemple de version d'image 1.5

L'exemple de version d'image 1.5 suivant installe les composants Jupyter et Anaconda (l'installation du composant Anaconda est requise pour la version d'image 1.5).

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

API REST

Le composant Jupyter peut être installé via l'API Dataproc à l'aide de SoftwareConfig.Component dans le cadre d'une requête clusters.create (l'installation du composant Anaconda est également requise pour la version d'image 1.5).

• Définissez la propriété EndpointConfig.enableHttpPortAccess sur true dans le cadre de la requête clusters.create pour activer la connexion à l'interface utilisateur Web du notebook Jupyter à l'aide de la passerelle des composants.

Ouvrir les interfaces utilisateur Jupyter et JupyterLab

Cliquez sur les liens de la passerelle des composants de la console Google Cloud pour ouvrir dans votre navigateur local le notebook Jupyter ou l'interface utilisateur JupyterLab s'exécutant sur le nœud maître du cluster.

Sélectionnez "GCS" ou "Disque local" pour créer un notebook Jupyter dans l'un des emplacements.

Associer des GPU à des nœuds maîtres et/ou de calcul

Vous pouvez ajouter des GPU aux nœuds maîtres et aux nœuds de calcul de votre cluster lorsque vous utilisez un notebook Jupyter pour :

1. Prétraitez les données dans Spark, puis collectez un DataFrame sur le maître et exécutez TensorFlow.
2. Utiliser Spark pour orchestrer des exécutions TensorFlow en parallèle
3. Exécuter Tensorflow-on-YARN
4. Utiliser ce notebook avec d'autres scénarios de machine learning fonctionnant avec des GPU