É possível instalar outros componentes, como o Jupyter, ao criar um cluster do Dataproc usando o recurso Componentes opcionais. Nesta página, você conhecerá o componente Jupyter.
O componente Jupyter é um notebook de usuário único baseado na Web para análise de dados interativos e é compatível com a interface da Web do JupyterLab. A interface da Web do Jupyter está disponível na porta 8123 do primeiro nó mestre do cluster.
Lançar notebooks para vários usuários. É possível criar uma instância do Vertex AI Workbench ativada para Dataproc ou instalar o plug-in JupyterLab do Dataproc em uma VM para exibir notebooks a vários usuários.
Configure o Jupyter. O Jupyter pode ser configurado fornecendo propriedades de cluster dataproc:jupyter.
Para reduzir o risco de execução remota do código em APIs de servidor de notebook não
seguro, a configuração padrão da propriedade de cluster dataproc:jupyter.listen.all.interfaces
é false, o que restringe as conexões a localhost (127.0.0.1) quando
o Gateway de componentes está
ativado. A ativação do Gateway de componentes é necessária ao instalar o componente Jupyter.
O notebook do Jupyter fornece um kernel do Python para executar o código Spark e um kernel do PySpark. Por padrão, os notebooks são salvos no Cloud Storage
no bucket de preparo do Dataproc, que é especificado pelo usuário ou
criado automaticamente
quando o cluster é criado. O local pode ser alterado no momento da criação do cluster usando a
propriedade do cluster dataproc:jupyter.notebook.gcs.dir.
Trabalhar com arquivos de dados. É possível usar um notebook do Jupyter para trabalhar com arquivos de dados que foram enviados ao Cloud Storage. Como o conector do Cloud Storage é pré-instalado em um cluster do Dataproc, é possível fazer referência aos arquivos diretamente no notebook. Veja um exemplo que acessa arquivos CSV no Cloud Storage:
df = spark.read.csv("gs://bucket/path/file.csv")
df.show()
Consulte Funções genéricas de carregar e salvar para ver exemplos do PySpark.
Instalar o Jupyter
Instale o componente ao criar um cluster do Dataproc. O componente Jupyter requer a ativação do Gateway de Componentes do Dataproc.
Console
- Ativar o componente.
- No console do Google Cloud, abra a página Criar um cluster do Dataproc. O painel Configurar cluster está selecionado.
- Na seção Componentes:
- Em Componentes opcionais, selecione o componente Jupyter.
- Em Gateway de componentes, selecione Ativar gateway de componente (consulte Visualizar e acessar URLs do Gateway de componentes).
CLI da gcloud
Para criar um cluster do Dataproc que inclua o componente Jupyter, use o comando gcloud dataproc clusters create cluster-name com a sinalização --optional-components.
Exemplo mais recente da versão de imagem padrão
O exemplo a seguir instala o componente Jupyter em um cluster que usa a versão de imagem padrão mais recente.
gcloud dataproc clusters create cluster-name \ --optional-components=JUPYTER \ --region=region \ --enable-component-gateway \ ... other flags
API REST
O componente Jupyter pode ser instalado por meio da API Dataproc usando SoftwareConfig.Component como parte de uma solicitação clusters.create.
- Defina a propriedade EndpointConfig.enableHttpPortAccess como
truecomo parte da solicitaçãoclusters.createpara ativar a conexão com a IU da Web do notebook Jupyter usando o Gateway de componentes.
Abrir as IUs do Jupyter e do JupyterLab
Clique nos links do Gateway de componentes do console do Google Cloud para abrir no navegador local o notebook Jupyter ou a interface do JupyterLab em execução no nó mestre do cluster.
Selecione "GCS" ou "Disco local" para criar um novo Jupyter Notebook em um local ou em outro.
Anexar GPUs a nós mestres e de trabalho
É possível adicionar GPUs aos nós mestre e de trabalho do cluster ao usar um notebook do Jupyter para:
- Pré-processar dados no Spark, coletar um DataFrame no mestre e executar o TensorFlow
- Usar o Spark para orquestrar execuções do TensorFlow em paralelo
- Execute o Tensorflow-on-YARN
- Usar com outros cenários de machine learning que usam GPUs