Ações de inicialização

Ao criar um cluster do Dataproc, especifique ações de inicialização em executáveis ou scripts que o Dataproc executará em todos os nós do cluster do Dataproc logo depois da configuração do cluster. As ações de inicialização normalmente configuram dependências do job, como instalar pacotes do Python. Dessa maneira, os jobs podem ser enviados para o cluster sem a necessidade de instalar dependências quando os jobs são executados.

Você encontra exemplos de scripts de ação de inicialização nos seguintes locais: Observação: o Google não é compatível com essas amostras.

Considerações e diretrizes importantes

  • Não crie clusters de produção que façam referência a ações de inicialização localizadas nos buckets públicos gs://goog-dataproc-initialization-actions-REGION. Esses scripts são fornecidos como implementações de referência. Eles são sincronizados com as alterações em andamento no repositório do GitHub, e as atualizações desses scripts podem interromper a criação do cluster. Em vez disso, copie a ação de inicialização do bucket público para uma pasta do bucket do Cloud Storage com controle de versão, conforme mostrado no exemplo a seguir:

    REGION=COMPUTE_REGION
    gsutil 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
    
    Em seguida, crie o cluster referenciando a cópia no 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...
    

  • As ações de inicialização são executadas em cada nó em série durante a criação do cluster. Eles também são executados em cada nó adicionado durante o escalonamento ou o escalonamento automático de clusters.

  • Ao atualizar ações de inicialização (por exemplo, ao sincronizar as ações de inicialização do Cloud Storage com as alterações feitas no bucket público ou nas ações de inicialização do repositório do GitHub), crie uma nova pasta, de preferência com o nome da versão, para receber as ações de inicialização atualizadas. Se, em vez disso, você atualizar a ação de inicialização no local, novos nós, como os adicionados pelo escalonador automático, vão executar a ação de inicialização atualizada no local, não a ação de inicialização da versão anterior que foi executada nos nós existentes. Essas diferenças na ação de inicialização podem resultar em nós de cluster inconsistentes ou corrompidos.

  • As ações de inicialização são executadas como usuário root. Não é necessário usar sudo.

  • Use caminhos absolutos nas ações de inicialização.

  • Use uma linha Shebang nas ações de inicialização para indicar como o script precisa ser interpretado (como #!/bin/bash ou #!/usr/bin/python).

  • Se uma ação de inicialização for encerrada com um código de saída diferente de zero, a operação de criação do cluster relatará um status "ERROR". Para depurar a ação de inicialização, use o SSH para se conectar às instâncias de VM do cluster e examine os registros. Depois de corrigir o problema da ação de inicialização, exclua e recrie o cluster.

  • Se você criar um cluster do Dataproc apenas com endereços IP internos, as tentativas de acessar github.com pela Internet em uma ação de inicialização falharão, a menos que você tenha configurado rotas para direcionar o tráfego por meio do Cloud NAT ou de um Cloud VPN. Sem acesso à Internet, é possível ativar o Acesso privado do Google e colocar dependências de job no Cloud Storage. Os nós do cluster podem fazer o download das dependências do Cloud Storage de IPs internos.

  • Use imagens personalizadas do Dataproc em vez de ações de inicialização para configurar dependências de job.

  • Processamento de inicialização:

    • Clusters de imagem anteriores à 2.0:
      • Worker: se você definir a propriedade de cluster dataproc:dataproc.worker.custom.init.actions.mode como RUN_BEFORE_SERVICES, cada worker vai executar as ações de inicialização antes de iniciar os daemons do datanode HDFS e HDFS nodemanager. Como o Dataproc não executa ações de inicialização mestre até que o HDFS seja gravável, o que requer a execução de dois daemons do nodenode de HDFS, definir essa propriedade pode aumentar o tempo de criação do cluster.
    • Clusters de imagem 2.0+:

      • Mestre: as ações de inicialização do nó mestre podem ser executadas antes do HDFS ser gravável. Se você executar ações de inicialização que organizem arquivos no HDFS ou dependam da disponibilidade de serviços dependentes do HDFS, como o Ranger, defina a propriedade de cluster {dataproc.master.custom.init.actions.mode} 101}para RUN_AFTER_SERVICES. Observação: como essa configuração de propriedade pode aumentar o tempo de criação do cluster (consulte a explicação do atraso de criação do cluster para workers de cluster de imagem anteriores à 2.0), use-a apenas quando necessário (como prática geral, use a configuração RUN_BEFORE_SERVICES padrão para esta propriedade).
      • Worker: a propriedade do cluster dataproc:dataproc.worker.custom.init.actions.mode está definida como RUN_BEFORE_SERVICES e não pode ser transmitida para o cluster quando ele é criado. Não é possível mudar a configuração da propriedade. Cada worker executa as ações de inicialização antes de iniciar o datanode HDFS e os daemons do nodenode YARN. Como o Dataproc não espera que o HDFS seja gravável antes de executar ações de inicialização do mestre, as ações do mestre e do worker são executadas em paralelo.
    • Recomendações:

      • Use metadados para determinar o papel de um nó para executar condicionalmente uma ação de inicialização nos nós. Consulte Como usar metadados de cluster.
      • Bifurque uma cópia de uma ação de inicialização para um bucket do Cloud Storage para mais estabilidade. Consulte Como as ações de inicialização são usadas.
      • Adicione novas tentativas ao fazer o download da Internet para estabilizar a ação de inicialização.

Usar as ações de inicialização

É possível especificar ações de inicialização de cluster independentemente de como ele é criado:

Comando gcloud

Ao criar um cluster com o comando gcloud dataproc clusters create, especifique um ou mais locais do Cloud Storage (URIs) separados por vírgulas dos scripts ou executáveis de inicialização com a sinalização --initialization-actions. Observação: vários "/"s consecutivos em um URI de local do Cloud Storage após o "gs://" inicial, como "gs://bucket/my//object//name", não são compatíveis. Execute gcloud dataproc clusters create --help para informações de comando.

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 ...
Observações:
  • Use a sinalização --initialization-action-timeout para especificar um período limite para a ação de inicialização. O valor de tempo limite padrão é 10 minutos. Se o executável ou o script de inicialização não tiver sido concluído até o final do tempo limite, o Dataproc cancelará a ação de inicialização.
  • Use a propriedade de cluster dataproc:dataproc.worker.custom.init.actions.mode para executar a ação de inicialização nos workers principais antes de o gerenciador de nós e os daemons do datanode serem iniciados.

API REST

Especifique um ou mais scripts ou executáveis em uma matriz ClusterConfig.initializationActions como parte de uma solicitação de API clusters.create.

Exemplo

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

  • Abra a página Criar um cluster do Dataproc e selecione o painel Personalizar cluster.
  • Na seção "Ações de inicialização", insira o local do bucket do Cloud Storage de cada ação de inicialização nos campos Arquivo executável. Clique em Procurar para abrir a página Navegador do Cloud Storage do console do Google Cloud e selecionar um script ou arquivo executável. Clique em Add Initialization Action para adicionar cada arquivo.
  • Como passar argumentos para ações de inicialização

    O Dataproc define valores especiais de metadados para as instâncias executadas nos clusters. Defina os próprios metadados personalizados como uma maneira de passar argumentos para ações de inicialização.

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

    Os valores de metadados podem ser lidos nas ações de inicialização da seguinte maneira:

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

    Seleção de nós

    Se você quiser limitar ações de inicialização a nós mestre, de driver ou de trabalho, adicione a lógica simples de seleção de nós ao executável ou ao 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
    

    Binários de preparo

    Na inicialização de um cluster, é comum o teste de binários de job em um cluster para eliminar a necessidade de serem testados sempre que um job é enviado. Por exemplo, suponha que o script de inicialização a seguir esteja armazenado em gs://my-bucket/download-job-jar.sh, um local bucket do Cloud Storage:

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

    A localização desse script pode ser passada para o comando gcloud dataproc clusters create:

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

    O Dataproc executará esse script em todos os nodes e, como consequência da lógica de seleção de node do script, fará o download do arquivo jar para o node mestre. Os jobs enviados podem usar o jar testado anteriormente:

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

    Amostras de ações de inicialização

    Os scripts de ações de inicialização mais usados e outros exemplos estão localizados em gs://goog-dataproc-initialization-actions-<REGION>, um intervalo público regional do Cloud Storage, e em um repositório do GitHub. Para contribuir com um script, revise o documento CONTRIBUTING.md e, em seguida, registre uma solicitação de envio.

    Geração de registros

    A saída da execução de cada ação de inicialização é registrada para cada instância em /var/log/dataproc-initialization-script-X.log, onde X é o índice baseado em zero de cada script de ação de inicialização sucessivo. Por exemplo, se o cluster tiver duas ações de inicialização, as saídas serão registradas em /var/log/dataproc-initialization-script-0.log e /var/log/dataproc-initialization-script-1.log.

    A seguir

    Conheça as ações de inicialização do GitHub.