使用可选组件功能创建 Dataproc 集群时,您可以安装 Jupyter 等其他组件。本页面介绍了 Jupyter 组件。
Jupyter 组件是一个基于 Web 的单用户笔记本,用于交互式数据分析,并支持 JupyterLab 网页界面。您可以通过集群的第一个主节点上的 8123
端口访问 Jupyter 网页界面。
为多个用户启动笔记本。您可以创建已启用 Dataproc 的 Vertex AI Workbench 实例或在虚拟机上安装 Dataproc JupyterLab 插件,以便为多个用户提供笔记本。
配置 Jupyter。您可以通过提供 dataproc:jupyter
集群属性来配置 Jupyter。为了降低通过不安全的笔记本服务器 API 远程执行代码的风险,默认的 dataproc:jupyter.listen.all.interfaces
集群属性设置为 false
,这会在启用组件网关时限制与 localhost (127.0.0.1)
的连接(安装 Jupyter 组件时需要激活组件网关)。
Jupyter 笔记本提供了一个运行 Spark 代码的 Python 内核和一个 PySpark 内核。默认情况下,笔记本保存在 Cloud Storage 的 Dataproc 暂存存储桶中,该存储桶由用户指定或在创建集群时自动创建。您可以使用 dataproc:jupyter.notebook.gcs.dir
集群属性在创建集群时更改此位置。
使用数据文件。您可以使用 Jupyter 笔记本来处理已上传到 Cloud Storage 的数据文件。由于 Cloud Storage 连接器已预安装在 Dataproc 集群上,因此您可以直接在笔记本中引用这些文件。以下是访问 Cloud Storage 中的 CSV 文件的示例:
df = spark.read.csv("gs://bucket/path/file.csv") df.show()
如需查看 PySpark 示例,请参阅通用加载和保存函数。
安装 Jupyter
在创建 Dataproc 集群时安装组件。 Jupyter 组件需要激活 Dataproc 组件网关。
控制台
- 启用组件。
- 在 Google Cloud 控制台中,打开 Dataproc 创建集群页面。已选择设置集群面板。
- 在组件部分中执行以下操作:
- 在可选组件下,选择 Jupyter 组件。
- 在组件网关下,选择启用组件网关(请参阅查看和访问组件网关网址)。
gcloud CLI
如需创建包含 Jupyter 组件的 Dataproc 集群,请使用带有 --optional-components
标志的 gcloud dataproc clusters create cluster-name 命令。
最新默认映像版本示例
以下示例在使用最新默认映像版本的集群上安装 Jupyter 组件。
gcloud dataproc clusters create cluster-name \ --optional-components=JUPYTER \ --region=region \ --enable-component-gateway \ ... other flags
REST API
您可以通过 Dataproc API 使用 SoftwareConfig.Component
(作为 clusters.create
请求的一部分)安装 Jupyter 组件。
- 将 EndpointConfig.enableHttpPortAccess 属性设置为
true
(作为clusters.create
请求的一部分),可以使用组件网关连接到 Jupyter 笔记本网页界面。
打开 Jupyter 和 JupyterLab 界面
点击 Google Cloud 控制台组件网关链接,在本地浏览器中打开集群主服务器节点上运行的 Jupyter 笔记本或 JupyterLab 界面。
选择“GCS”或“Local Disk”在任一位置创建一个新的 Jupyter 笔记本。
将 GPU 挂接到主节点和工作器节点
在使用 Jupyter 笔记本执行以下操作时,您可以向集群的主节点和工作器节点添加 GPU:
- 在 Spark 中预处理数据,然后在主实例上收集 DataFrame 并运行 TensorFlow
- 使用 Spark 编排 TensorFlow 并行运行
- 运行 Tensorflow-on-YARN
- 与使用 GPU 的其他机器学习场景搭配使用