Rotación del clúster

.

Las políticas de seguridad de la organización, las reglas de cumplimiento normativo y otras consideraciones pueden llevarte a "rotar" tus clústeres de Dataproc a intervalos regulares borrando y, luego, recreando los clústeres según un programa. Como parte de la rotación de clústeres, se pueden aprovisionar clústeres nuevos con las versiones de imágenes de Dataproc más recientes y, al mismo tiempo, conservar la configuración de los clústeres reemplazados.

En esta página, se muestra cómo configurar los clústeres que planeas rotar ("clústeres rotados"), enviar trabajos a ellos y, luego, rotar los clústeres según sea necesario.

Rotación de clústeres de imagen personalizada: Puedes aplicar personalizaciones anteriores o nuevas a una imagen base de Dataproc anterior o nueva cuando recrees el clúster de imagen personalizada.

Configura clústeres rotados

Para configurar clústeres rotados, crea nombres de clúster únicos con sufijo de marca de tiempo para distinguir los clústeres anteriores de los nuevos y, luego, adjunta etiquetas a los clústeres que indiquen si un clúster forma parte de un grupo de clústeres rotados y si recibe de forma activa envíos de trabajos nuevos. En este ejemplo, se usan las etiquetas cluster-pool y cluster-state=active para estos fines, pero puedes usar tus propios nombres de etiquetas.

  1. Establece las variables de entorno:

    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
    

    Notas:

    • cluster-pool-name: Es el nombre del grupo de clústeres asociado con uno o más clústeres. Este nombre se usa en el nombre del clúster y con la etiqueta cluster-pool adjunta al clúster para identificarlo como parte del grupo.
  2. Crea el clúster. Puedes agregar argumentos y usar diferentes etiquetas.

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

Envía trabajos a los clústeres

En los siguientes ejemplos de Google Cloud CLI y el grafo acíclico dirigido (DAG) de Apache Airflow, se envía un trabajo de Apache Pig a un clúster. Las etiquetas de clúster se usan para enviar el trabajo a un clúster activo dentro de un grupo de clústeres.

gcloud

Envía un trabajo de Apache Pig ubicado en Cloud Storage. Elige el clúster con etiquetas.

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

Airflow

Envía un trabajo de Apache Pig ubicado en Cloud Storage con Airflow. Elige el clúster con etiquetas.

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
)

Rota clústeres

  1. Actualiza las etiquetas de los clústeres que se adjuntan a los clústeres que rotarás. En este ejemplo, se usa la etiqueta cluster-state=pendingfordeletion para indicar que el clúster no recibe envíos de trabajos nuevos y que se está rotando, pero puedes usar tu propia etiqueta para este propósito.

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

    Después de actualizar la etiqueta del clúster, este no recibe trabajos nuevos, ya que los trabajos se envían a clústeres dentro de un grupo de clústeres solo con etiquetas active (consulta Envía trabajos a clústeres).

  2. Borra los clústeres que rotas después de que terminen de ejecutar trabajos.