Actions d'initialisation

Lors de la création d'un cluster Dataproc, vous pouvez spécifier des actions d'initialisation dans des exécutables ou des scripts que Dataproc exécutera sur tous les nœuds du cluster Dataproc immédiatement après la configuration du cluster. Les actions d'initialisation vous permettent souvent de configurer les dépendances de tâches, telles que l'installation de packages Python. Vous pouvez ainsi soumettre les tâches au cluster sans avoir à installer de dépendances lors de leur exécution.

Vous trouverez des exemples de scripts d'action d'initialisation aux emplacements suivants: Remarque: Google n'accepte pas ces exemples.

Consignes et remarques importantes

  • Ne créez pas de clusters de production faisant référence d'initialisation situées dans gs://goog-dataproc-initialization-actions-REGION aux buckets publics. Ces scripts sont fournis à titre d'implémentation de référence. Ils sont synchronisés avec les modifications en cours du dépôt GitHub et les mises à jour de ces peuvent interrompre la création de votre cluster. À la place, copiez l'action d'initialisation du bucket public dans un dossier de bucket Cloud Storage avec version, comme illustré dans l'exemple suivant : 

    REGION=COMPUTE_REGION
gcloud storage cp gs://goog-dataproc-initialization-actions-${REGION}/cloud-sql-proxy/cloud-sql-proxy.sh \
    gs://my-bucket/cloud-sql-proxy/v1.0/cloud-sql-proxy.sh
    Créez ensuite le cluster en référençant la copie dans Cloud Storage : 
    gcloud dataproc clusters create CLUSTER_NAME \
    --region=${REGION} \
    --initialization-actions=gs://my-bucket/cloud-sql-proxy/v1.0/cloud-sql-proxy.sh \
    ...other flags...

  • Les actions d'initialisation sont exécutées en série sur chaque nœud lors de la création du cluster. Elles sont également exécutées sur chaque nœud ajouté lors du scaling ou de l'autoscaling des clusters pour augmenter leur capacité.

  • Lorsque vous mettez à jour les actions d'initialisation, par exemple lorsque vous synchronisez votre Actions d'initialisation de Cloud Storage pour les modifications apportées au bucket public ou les actions d'initialisation du dépôt GitHub, créez une instance (version nommée) pour recevoir les actions d'initialisation mises à jour. Si vous mettez à jour l'action d'initialisation en place, les nouveaux nœuds, tels que ceux ajoutés par l'autoscaler, exécuteront l'action d'initialisation mise à jour en place, et non l'action d'initialisation de la version précédente exécutée sur les nœuds existants. Ces différences d'actions d'initialisation peuvent entraîner les nœuds de cluster défaillants.

  • Les actions d'initialisation sont exécutées en tant qu'utilisateur root. Vous n'avez pas besoin d'utiliser sudo.

  • Utilisez des chemins absolus dans les actions d'initialisation.

  • Utilisez une ligne shebang dans les actions d'initialisation pour indiquer comment le script doit être interprété (par exemple, #!/bin/bash ou #!/usr/bin/python).

  • Si une action d'initialisation se termine par un code de sortie différent de zéro, l'opération de création de cluster indique un état "ERREUR". Déboguer l'initialisation utilisez SSH pour vous connecter aux instances de VM du cluster, puis examinez le logs. Après avoir résolu le problème d'action d'initialisation, vous pouvez supprimer le cluster, puis le recréer.

  • Si vous créez un cluster Dataproc avec des adresses IP internes uniquement, les tentatives d'accès à github.com via Internet lors d'une action d'initialisation échoueront à moins que vous n'ayez configuré des routes pour diriger le trafic via Cloud NAT ou Cloud VPN. Sans à Internet, vous pouvez activer Accès privé à Google et placer les dépendances de tâches dans Cloud Storage. les nœuds de cluster peuvent télécharger les dépendances depuis Cloud Storage à l'aide d'adresses IP internes.

  • Vous pouvez configurer des dépendances de tâches à l'aide d'images personnalisées Dataproc plutôt qu'avec des actions d'initialisation.

  • Traitement de l'initialisation :

    • Clusters d'images antérieurs à la version 2.0 :
      • Maître: pour autoriser l'exécution des actions d'initialisation sur les instances maîtres. pour écrire des fichiers dans HDFS, les actions d'initialisation du nœud maître ne démarrent que HDFS est accessible en écriture (jusqu'à ce que HDFS ait quitté le mode sans échec et qu'au moins deux HDFS) les DataNodes ont été joints).
      • Nœud de calcul: si vous définissez le dataproc:dataproc.worker.custom.init.actions.mode propriété du cluster à RUN_BEFORE_SERVICES, chaque nœud de calcul exécute des actions d'initialisation avant de démarrer son nœud de données HDFS et YARN les daemons nodemanager. Étant donné que Dataproc n'exécute aucune action d'initialisation du maître tant que HDFS n'est pas accessible en écriture, ce qui nécessite l'exécution de deux daemons de nœud de données HDFS, définir cette propriété peut augmenter le temps de création du cluster.

    • Clusters d'images 2.0 et versions ultérieures :

      • Maître : les actions d'initialisation du nœud maître peuvent s'exécuter avant que HDFS ne soit accessible en écriture. Si vous exécutez des actions d'initialisation qui organisent les fichiers dans HDFS ou dépendent de la disponibilité des services dépendants de HDFS, tels que Ranger, définissez la propriété de cluster dataproc.master.custom.init.actions.mode sur RUN_AFTER_SERVICES. Remarque: puisque ce peut augmenter le délai de création du cluster. Consultez la explication du délai de création du cluster Nœuds de calcul de cluster d'images antérieures à la version 2.0 : utilisez-les uniquement lorsque cela est nécessaire (en général, comptez-vous RUN_BEFORE_SERVICES pour cette propriété).
      • Nœud de calcul: dataproc:dataproc.worker.custom.init.actions.mode propriété du cluster est défini sur RUN_BEFORE_SERVICES et ne peut pas être transmise au cluster lors de sa création (vous ne pouvez pas modifier les paramètres de la propriété). Chaque nœud de calcul exécute son initialisation avant de démarrer ses daemons de nœud de données HDFS et de gestionnaire de nœuds YARN. Comme Dataproc n'attend pas que HDFS soit accessible en écriture avant d'exécuter les actions d'initialisation du nœud maître, le nœud maître et le nœud de calcul les actions d'initialisation s'exécutent en parallèle.

    • Recommandations :

      • Utilisez les métadonnées pour déterminer le rôle d'un nœud pour exécuter une action d'initialisation de manière conditionnelle sur les nœuds (voir Utiliser des métadonnées de cluster).
      • Dupliquer une copie d'une action d'initialisation dans un bucket Cloud Storage pour plus de stabilité (voir Utilisation des actions d'initialisation).
      • Ajoutez des tentatives lorsque vous téléchargez depuis Internet afin de stabiliser l'action d'initialisation.

Utiliser les actions d'initialisation

Les actions d'initialisation de cluster peuvent être spécifiées quelle que soit la manière dont vous créez un cluster :

Commande gcloud

Lorsque vous créez un cluster avec gcloud dataproc clusters create , spécifiez un ou plusieurs emplacements Cloud Storage (URI) séparés par une virgule des exécutables ou des scripts d'initialisation avec --initialization-actions. Remarque : L'utilisation de plusieurs caractères "/" consécutifs dans un URI d'emplacement Cloud Storage après le préfixe "gs://" initial, par exemple "gs://bucket/my//object//name", n'est pas acceptée. Exécutez gcloud dataproc clusters create --help pour obtenir des informations sur la commande.

gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --initialization-actions=Cloud Storage URI(s) (gs://bucket/...) \
    --initialization-action-timeout=timeout-value (default=10m) \
    ... other flags ...
Remarques:
  • Utilisez l'option --initialization-action-timeout pour spécifier un délai avant expiration pour l'action d'initialisation. La valeur par défaut du délai avant expiration est de 10 minutes. Si le script ou le fichier exécutable d'initialisation n'est pas terminé à la fin du délai d'expiration, Dataproc annule l'action d'initialisation.
  • Utilisez la propriété de cluster dataproc:dataproc.worker.custom.init.actions.mode pour exécuter l'action d'initialisation sur les nœuds de calcul principaux avant le démarrage des gestionnaires de nœuds et des daemons Datanode.

API REST

Spécifiez un ou plusieurs script(s) ou exécutable(s) dans un tableau ClusterConfig.initializationActions dans le cadre d'une requête API clusters.create.

Exemple

POST /v1/projects/my-project-id/regions/us-central1/clusters/
{
  "projectId": "my-project-id",
  "clusterName": "example-cluster",
  "config": {
    "configBucket": "",
    "gceClusterConfig": {
      "subnetworkUri": "default",
      "zoneUri": "us-central1-b"
    },
    "masterConfig": {
      "numInstances": 1,
      "machineTypeUri": "n1-standard-4",
      "diskConfig": {
        "bootDiskSizeGb": 500,
        "numLocalSsds": 0
      }
    },
    "workerConfig": {
      "numInstances": 2,
      "machineTypeUri": "n1-standard-4",
      "diskConfig": {
        "bootDiskSizeGb": 500,
        "numLocalSsds": 0
      }
    },
    "initializationActions": [
      {
        "executableFile": "gs://cloud-example-bucket/my-init-action.sh"
      }
    ]
  }
}

Console

  • Ouvrez la page Dataproc Créer un cluster, puis sélectionnez le panneau Personnaliser le cluster.
  • Dans la section "Actions d'initialisation", saisissez l'emplacement des buckets Cloud Storage correspondant à chaque action d'initialisation dans les champs Fichier exécutable. Cliquez sur Browse (Parcourir) pour ouvrir la page du navigateur Cloud Storage dans la console Google Cloud et sélectionner un script ou un fichier exécutable. Cliquez sur Ajouter une action d'initialisation. pour ajouter chaque fichier.

    • Transmettre des arguments aux actions d'initialisation

    Dataproc définit des valeurs de métadonnées spéciales pour les instances exécutées dans vos clusters. Vous pouvez définir vos propres métadonnées personnalisées pour transmettre des arguments aux actions d'initialisation.

    gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --initialization-actions=Cloud Storage URI(s) (gs://bucket/...) \
    --metadata=name1=value1,name2=value2... \
    ... other flags ...

    Les valeurs de métadonnées peuvent être lues dans les actions d'initialisation comme suit :

    var1=$(/usr/share/google/get_metadata_value attributes/name1)

    Sélection de nœud

    Si vous souhaitez limiter les actions d'initialisation aux nœuds maîtres, pilotes ou nœuds de calcul, vous pouvez ajouter simple de sélection de nœud à votre exécutable ou script.

    ROLE=$(/usr/share/google/get_metadata_value attributes/dataproc-role)
if [[ "${ROLE}" == 'Master' ]]; then
  ... master specific actions ...
else if [[ "${ROLE}" == 'Driver' ]]; then
  ... driver specific actions ...
else
  ... worker specific actions ...
fi

    Binaires de préproduction

    Un scénario d'initialisation de cluster courant consiste en la préproduction de binaires de tâches sur un cluster afin d'éliminer le besoin de préparer ces binaires chaque fois qu'une tâche est soumise. Par exemple, supposons que le script d'initialisation suivant soit stocké dans gs://my-bucket/download-job-jar.sh, un emplacement de bucket Cloud Storage :

    #!/bin/bash
ROLE=$(/usr/share/google/get_metadata_value attributes/dataproc-role)
if [[ "${ROLE}" == 'Master' ]]; then
  gcloud storage cp gs://my-bucket/jobs/sessionalize-logs-1.0.jar home/username
fi

    L'emplacement de ce script peut être transmis à la commande gcloud dataproc clusters create :

    gcloud dataproc clusters create my-dataproc-cluster \
    --region=${REGION} \
    --initialization-actions=gs://my-bucket/download-job-jar.sh

    Dataproc exécute ce script sur tous les nœuds et, à cause de la logique de sélection de nœud dans le script, il télécharge le fichier jar sur le nœud maître. Les tâches soumises peuvent ensuite utiliser le fichier jar de préproduction :

    gcloud dataproc jobs submit hadoop \
    --cluster=my-dataproc-cluster \
    --region=${REGION} \
    --jar=file:///home/username/sessionalize-logs-1.0.jar

    Exemples d'actions d'initialisation

    Vous trouverez des exemples de scripts d'actions d'initialisation fréquemment utilisés et d'autres scripts dans gs://goog-dataproc-initialization-actions-<REGION>, un bucket public Cloud Storage régional, et dans un dépôt GitHub. Pour contribuer à un script, consultez le document CONTRIBUTING.md, puis déposez une demande d'extraction.

    Logging

    Le résultat de l'exécution de chaque action d'initialisation est enregistré pour chaque instance dans /var/log/dataproc-initialization-script-X.log, où X correspond à l'index basé sur zéro de chaque script d'action d'initialisation successif. Par exemple, si votre cluster comporte deux actions d'initialisation, les résultats sont enregistrés dans /var/log/dataproc-initialization-script-0.log et /var/log/dataproc-initialization-script-1.log.

    Étape suivante

    Découvrez les actions d'initialisation GitHub.