Rotação de cluster

.

Políticas de segurança da organização, regras de conformidade regulatória e outras considerações podem exigir que você "roteie" seus clusters do Dataproc em intervalos regulares excluindo e recriando clusters em uma programação. Como parte da rotação de cluster, novos clusters podem ser provisionados com as versões mais recentes da imagem do Dataproc, mantendo as configurações dos clusters substituídos.

Nesta página, mostramos como configurar clusters que você planeja rotacionar ("clusters rotacionados"), enviar jobs para eles e, em seguida, rotacionar os clusters conforme necessário.

Rotação de cluster de imagem personalizada: é possível aplicar personalizações anteriores ou novas a uma imagem base anterior ou nova do Dataproc ao recriar o cluster de imagem personalizada.

Configurar clusters girados

Para configurar clusters rotativos, crie nomes de clusters exclusivos com sufixo de carimbo de data/hora para distinguir os clusters anteriores dos novos e anexe rótulos aos clusters que indicam se um cluster faz parte de um pool de clusters rotativos e está recebendo ativamente novos envios de jobs. Este exemplo usa rótulos cluster-pool e cluster-state=active para esses fins, mas você pode usar seus próprios nomes de rótulos.

  1. Defina as variáveis de ambiente: 

    PROJECT=project ID \
  REGION=region \
  CLUSTER_POOL=cluster-pool-name \
  CLUSTER_NAME=$CLUSTER_POOL-$(date '+%Y%m%d%H%M') \
  BUCKET=Cloud Storage bucket-name

    Observações:

    • cluster-pool-name: o nome do pool de clusters associado a um ou mais clusters. Esse nome é usado no nome do cluster e com o rótulo cluster-pool anexado ao cluster para identificar o cluster como parte do pool.

  2. Crie o cluster. É possível adicionar argumentos e usar rótulos diferentes.

    gcloud dataproc clusters create ${CLUSTER_NAME} \
  --project=${PROJECT_ID} \
  --region=${REGION} \
  --bucket=${BUCKET} \
  --labels="cluster-pool=${CLUSTER_POOL},cluster-state=active"

Enviar jobs para clusters

Os exemplos da Google Cloud CLI e gráfico acíclico dirigido (DAG, na sigla em inglês) do Apache Airflow abaixo enviam um job do Apache Pig para um cluster. Os rótulos de cluster são usados para enviar o job a um cluster ativo em um pool de cluster.

gcloud

Envie um job do Apache Pig localizado no Cloud Storage. Escolha o cluster usando rótulos.

gcloud dataproc jobs submit pig \
    --region=${REGION} \
    --file=gs://${BUCKET}/scripts/script.pig \
    --cluster-labels="cluster-pool=${CLUSTER_POOL},cluster-state=active"

Airflow

Envie um job do Apache Pig localizado no Cloud Storage usando o Airflow. Escolha o cluster usando rótulos.

from airflow import DAG
from airflow.providers.google.cloud.operators.dataproc import DataprocSubmitJobOperator
from datetime import datetime

# Declare variables
project_id=  # e.g: my-project
region="us-central1"
dag_id='pig_wordcount'
cluster_labels={"cluster-pool":${CLUSTER_POOL},
                "cluster-state":"active"}
wordcount_script="gs://bucket-name/scripts/wordcount.pig"

# Define DAG

dag = DAG(
    dag_id,
    schedule_interval=None,  
    start_date=datetime(2023, 8, 16),
    catchup=False  
)

PIG_JOB = {
    "reference": {"project_id": project_id},
    "placement": {"cluster_labels": cluster_labels},
    "pig_job": {"query_file_uri": wordcount_script},
}

wordcount_task = DataprocSubmitJobOperator(
    task_id='wordcount',
    region=region,
    project_id=project_id,
    job=PIG_JOB,
    dag=dag
)

Rotacionar clusters

  1. Atualize os rótulos dos clusters que você está removendo. Esses exemplos usam o rótulo cluster-state=pendingfordeletion para indicar que o cluster não está recebendo novos envios de jobs e está sendo substituído, mas você pode usar seu próprio rótulo para essa finalidade. 

    gcloud dataproc clusters update ${CLUSTER_NAME} \
    --region=${REGION} \
    --update-labels="cluster-state=pendingfordeletion"

    Depois que o rótulo do cluster é atualizado, ele não recebe novos jobs, já que eles são enviados a clusters em um pool de clusters com rótulos active. Consulte Enviar jobs para clusters.

  2. Exclua os clusters que você está removendo depois que os jobs forem concluídos.