Visão geral
O Dataproc O Persistent History Server (PHS) oferece interfaces da Web para ver o histórico de jobs para jobs executados em clusters ativos ou excluídos do Dataproc. Ele está disponível na versão de imagem 1.5 do Dataproc e versões mais recentes e é executado em um cluster do Dataproc de nó único. Ele fornece interfaces da Web para os seguintes arquivos e dados:
Arquivos de histórico de jobs do MapReduce e do Spark
Arquivos de histórico de jobs do Flink (consulte Componente Flink opcional do Dataproc para criar um cluster do Dataproc e executar jobs do Flink).
Arquivos de dados da linha do tempo do aplicativo criados por Serviço de cronograma do Yarn v2 e armazenado em uma instância do Bigtable.
Registros de agregação do YARN
O Persistent History Server acessa e exibe o histórico de jobs do Spark e do MapReduce. arquivos de histórico de jobs Flink e arquivos de registros YARN gravados no Cloud Storage durante o ciclo de vida dos clusters de jobs do Dataproc.
Limitações
A versão da imagem do cluster de PHS e a versão da imagem dos clusters de jobs do Dataproc precisam ser iguais. Por exemplo, é possível usar um Cluster PHS da versão de imagem 2.0 para visualizar os arquivos do histórico de jobs executados nos clusters de job da versão de imagem do Dataproc 2.0 que estavam no projeto em que o cluster PHS está localizado.
Um cluster PHS não oferece suporte Kerberos e Autenticação pessoal.
Criar um cluster de PHS do Dataproc
É possível executar o comando
gcloud dataproc clusters create
em um terminal local ou no
Cloud Shell com as flags e as
propriedades de cluster
para criar um cluster de nó único do servidor de histórico permanente do Dataproc.
gcloud dataproc clusters create CLUSTER_NAME \ --project=PROJECT \ --region=REGION \ --single-node \ --enable-component-gateway \ --optional-components=COMPONENT \ --properties=PROPERTIES
- CLUSTER_NAME: especifique o nome do cluster de PHS.
- PROJECT: especifique o projeto a ser associado ao cluster do PHS. Isso O projeto precisa ser igual ao projeto associado ao cluster que executa os jobs. Consulte Criar um cluster de job do Dataproc.
- REGION: especifique uma região do Compute Engine em que o cluster do PHS será localizado.
--single-node
: um cluster de PHS é um cluster de nó único do Dataproc.--enable-component-gateway
: essa flag ativa as interfaces da Web do Gateway de componentes no cluster de PHS.- COMPONENT: use esta sinalização para instalar um ou mais
componentes opcionais
no cluster. É necessário especificar o componente opcional
FLINK
para executar o Flink HistoryServer no cluster do PHS para conferir Flinke os arquivos de histórico de jobs. - PROPERTIES: Especifique um ou mais propriedades do cluster.
Opcionalmente, adicione o parâmetro --image-version para especificar a versão da imagem do cluster do PHS. A versão da imagem do PHS precisa corresponder à versão da imagem dos clusters de jobs do Dataproc. Consulte Limitações.
Observações:
- Os exemplos de valor de propriedade nesta seção usam um "*" caractere curinga para permitir que o PHS correspondem a vários diretórios no bucket especificado gravados por clusters de job diferentes (mas consulte Considerações sobre a eficiência de caracteres curinga.
- Flags
--properties
separadas são mostradas nos exemplos a seguir para facilitar a leitura. A prática recomendada ao usargcloud dataproc clusters create
para criar um Dataproc no Compute Engine cluster é usar uma sinalização--properties
para especificar uma lista de propriedades separadas por vírgula (consulte formatação de propriedades do cluster).
Propriedades:
yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/*/yarn-logs
: Adicione esta propriedade para especificar o local do Cloud Storage em que o PHS acessará os registros YARN gravados por clusters de job.spark:spark.history.fs.logDirectory=gs://bucket-name/*/spark-job-history
: adicione essa propriedade para ativar o histórico permanente de jobs do Spark. Essa propriedade especifica o local em que o PHS vai acessar os registros do histórico de jobs do Spark gravados por clusters de jobs.Nos clusters do Dataproc 2.0+, as duas propriedades a seguir também precisam ser definidas para ativar os registros de histórico do PHS Spark. Consulte Opções de configuração do servidor de histórico do Spark.
spark.history.custom.executor.log.url
é um valor literal que contém {{PLACEHOLDERS}} para variáveis que serão definidas pelo servidor de histórico permanente. Essas variáveis não são definidas pelos usuários. Transmita o valor da propriedade conforme mostrado.--properties=spark:spark.history.custom.executor.log.url.applyIncompleteApplication=false
--properties=spark:spark.history.custom.executor.log.url={{YARN_LOG_SERVER_URL}}/{{NM_HOST}}:{{NM_PORT}}/{{CONTAINER_ID}}/{{CONTAINER_ID}}/{{USER}}/{{FILE_NAME}}
mapred:mapreduce.jobhistory.read-only.dir-pattern=gs://bucket-name/*/mapreduce-job-history/done
: Adicione esta propriedade para ativar o histórico persistente de jobs do MapReduce. Essa propriedade especifica o local do Cloud Storage em que o PHS vai acessar os registros do histórico de jobs do MapReduce gravados por clusters de jobs.dataproc:yarn.atsv2.bigtable.instance=projects/project-id/instance_id/bigtable-instance-id
: depois de você Configurar o serviço de linha do tempo do Yarn v2, adicione esta propriedade para usar o cluster PHS e visualizar dados da linha do tempo no Serviço de cronograma de aplicativos YARN V2 e Tez (consulte Interfaces da Web do Gateway de componentes).flink:historyserver.archive.fs.dir=gs://bucket-name/*/flink-job-history/completed-jobs
: use essa propriedade para configurar oHistoryServer
do Flink para monitorar uma lista de diretórios separada por vírgulas.
Exemplos de propriedades:
--properties=spark:spark.history.fs.logDirectory=gs://bucket-name/*/spark-job-history
--properties=mapred:mapreduce.jobhistory.read-only.dir-pattern=gs://bucket-name/*/mapreduce-job-history/done
--properties=flink:flink.historyserver.archive.fs.dir=gs://bucket-name/*/flink-job-history/completed-jobs
Criar um cluster de job do Dataproc
É possível executar o seguinte comando em um terminal local ou no Cloud Shell para criar Cluster de jobs do Dataproc que executa jobs e grava arquivos de histórico de jobs um servidor de histórico permanente (PHS).
gcloud dataproc clusters create CLUSTER_NAME \ --project=PROJECT \ --region=REGION \ --optional-components=COMPONENT \ --enable-component-gateway \ --properties=PROPERTIES \ other args ...
- CLUSTER_NAME: especifica o nome do cluster de jobs.
- PROJECT: especifica o projeto associado ao cluster de job.
- REGION: especifique a região do Compute Engine onde o cluster de job vai estar localizado.
--enable-component-gateway
: essa flag ativa as interfaces da Web do Gateway de componentes no cluster do job.- COMPONENT: use esta sinalização para instalar um ou mais
componentes opcionais
no cluster. Especifique o componente opcional
FLINK
para executar jobs do Flink no cluster. PROPERTIES: adicionar um ou mais dos itens a seguir propriedades do cluster para definir locais não padrão do Cloud Storage relacionados ao PHS e outras propriedades do cluster de job.
Observações:
- Os exemplos de valor de propriedade nesta seção usam um caractere curinga "*" para permitir que o PHS corresponda a vários diretórios no bucket especificado gravado por diferentes clusters de jobs. Consulte Considerações sobre a eficiência de caracteres curinga.
- Flags
--properties
separadas são mostradas nos exemplos a seguir para facilitar a leitura. A prática recomendada ao usargcloud dataproc clusters create
para criar um Dataproc no Compute Engine cluster é usar uma sinalização--properties
para especificar uma lista de propriedades separadas por vírgula (consulte formatação de propriedades do cluster).
Propriedades:
yarn:yarn.nodemanager.remote-app-log-dir
: Por padrão, os registros YARN agregados são ativados no job do Dataproc clusters e são gravados neles bucket temporário. Adicione essa propriedade para especificar um local diferente do Cloud Storage em que o cluster vai gravar logs de agregação para acesso pelo servidor de histórico persistente.--properties=yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/directory-name/yarn-logs
spark:spark.history.fs.logDirectory
espark:spark.eventLog.dir
: Por padrão, os arquivos do histórico de jobs do Spark são salvos no clustertemp bucket
diretório/spark-job-history
. É possível adicionar essas propriedades para especificar diferentes locais do Cloud Storage para esses arquivos. Se os dois forem usadas, elas precisam apontar para diretórios no mesmo bucket.--properties=spark:spark.history.fs.logDirectory=gs://bucket-name/directory-name/spark-job-history
--properties=spark:spark.eventLog.dir=gs://bucket-name/directory-name/spark-job-history
mapred:mapreduce.jobhistory.done-dir
emapred:mapreduce.jobhistory.intermediate-done-dir
: Por padrão, os arquivos de histórico de jobs do MapReduce são salvos no clustertemp bucket
em/mapreduce-job-history/done
e/mapreduce-job-history/intermediate-done
diretórios. Omapreduce.jobhistory.intermediate-done-dir
intermediário é um armazenamento temporário. os arquivos intermediários são movidos para a Localmapreduce.jobhistory.done-dir
quando o job MapReduce for concluído. É possível adicionar essas propriedades para especificar diferentes locais do Cloud Storage para esses arquivos. Se ambas as propriedades forem usadas, elas deverão apontar para no mesmo bucket.--properties=mapred:mapreduce.jobhistory.done-dir=gs://bucket-name/directory-name/mapreduce-job-history/done
--properties=mapred:mapreduce.jobhistory.intermediate-done-dir=gs://bucket-name/directory-name/mapreduce-job-history/intermediate-done
spark:spark.history.fs.gs.outputstream.type
espark:spark.history.fs.gs.outputstream.sync.min.interval.ms
: adicione essas propriedades do conector do Cloud Storage para mudar o comportamento padrão de como o cluster de jobs envia dados para o Cloud Storage. Ospark:spark.history.fs.gs.outputstream.type
padrão éBASIC
, que envia dados para o Cloud Storage após a conclusão do job. É possível mudar essa configuração paraFLUSHABLE_COMPOSITE
para alterar o comportamento de limpeza e copiar dados para o Cloud Storage em intervalos regulares enquanto o job está em execução. O--properties=spark:spark.history.fs.gs.outputstream.type=FLUSHABLE_COMPOSITE
spark:spark.history.fs.gs.outputstream.sync.min.interval.ms
padrão, que controla a frequência com que os dados são transferidos para o Cloud Storage, é5000ms
e pode ser alterado para um intervalo de tempoms
diferente: Observação:para definir essas propriedades, o cluster de jobs do Dataproc versão de imagem precisa usar o conector do Cloud Storage versão 2.2.0 ou posterior. Você pode verificar a versão do conector instalada nas versões de imagem no Página Lista de versões de imagem do Dataproc.--properties=spark:spark.history.fs.gs.outputstream.sync.min.interval.ms=intervalms
dataproc:yarn.atsv2.bigtable.instance
: depois de você Configurar o serviço de linha do tempo do Yarn v2, adicione esta propriedade para gravar dados da linha do tempo YARN no Instância do Bigtable para visualização no cluster PHS Interfaces da Web do YARN Application Linha do tempo V2 e do Tez. Observação: a criação do cluster falhará se a instância do Bigtable não existe.--properties=dataproc:yarn.atsv2.bigtable.instance=projects/project-id/instance_id/bigtable-instance-id
flink:jobhistory.archive.fs.dir
: o JobManager do Flink arquiva jobs do Flink concluídos fazendo upload de informações de jobs arquivados para um diretório do sistema de arquivos. Use essa propriedade para definir o diretório de arquivamento emflink-conf.yaml
.--properties=flink:jobmanager.archive.fs.dir=gs://bucket-name/job-cluster-1/flink-job-history/completed-jobs
Usar PHS com cargas de trabalho em lote do Spark
Para usar o servidor de histórico permanente com o Dataproc sem servidor para cargas de trabalho em lote do Spark:
Selecione ou especifique o cluster do PHS ao enviar uma carga de trabalho em lote do Spark;
Usar a PHS com o Dataproc no Google Kubernetes Engine
Para usar o Persistent History Server com Dataproc no GKE:
Selecione ou especifique o cluster do PHS ao Crie um cluster virtual do Dataproc no GKE.
Interfaces da Web do gateway de componentes
No console do Google Cloud, pelo Dataproc Página Clusters, clique no nome do cluster do PHS para abrir a página Detalhes do cluster. Na guia Interfaces da Web, selecione os links do gateway de componentes para abrir as interfaces da Web em execução no cluster do PHS.
Interface da Web do servidor de histórico do Spark
A captura de tela a seguir mostra a interface da Web do servidor de histórico do Spark exibindo links
para jobs do Spark executados em job-cluster-1 e job-cluster-2 após configurar
spark.history.fs.logDirectory
e spark:spark.eventLog.dir
de clusters de jobs
e os locais spark.history.fs.logDirectory
do cluster de PHS da seguinte maneira:
job-cluster-1 | gs://example-cloud-storage-bucket/job-cluster-1/spark-job-history |
job-cluster-2 | gs://example-cloud-storage-bucket/job-cluster-2/spark-job-history |
phs-cluster | gs://example-cloud-storage-bucket/*/spark-job-history |
Pesquisa de nomes de apps
É possível listar jobs por nome do app na interface da Web do Spark History Server inserindo um nome de app na caixa de pesquisa. O nome do app pode ser definido de uma das seguintes maneiras: (listado por prioridade):
- Dentro do código do aplicativo ao criar o contexto do Spark.
- Definido pelo spark.app.name quando o job é enviado
- Definido pelo Dataproc para o nome completo do recurso REST do
job (
projects/project-id/regions/region/jobs/job-id
)
Os usuários podem inserir um termo de nome de app ou recurso na caixa Pesquisa para encontrar e listar vagas.
Logs de eventos
A interface da Web do Spark History Server oferece um botão Event Log que você pode clique para fazer o download dos logs de eventos do Spark. Esses registros são úteis para examinar o ciclo de vida do aplicativo Spark.
Jobs do Spark
Os aplicativos do Spark são divididos em vários jobs, que são divididos em vários estágios. Cada estágio pode ter várias tarefas, que são executadas em nós de executor (workers).
Clique em um ID do app do Spark na interface da Web para abrir a página de jobs do Spark, que fornece um cronograma de eventos e um resumo dos jobs no aplicativo.
Clique em um job para abrir a página "Detalhes do job" com um gráfico acíclico dirigido (DAG, na sigla em inglês) e um resumo dos estágios do job.
Clique em um cenário ou use a guia Stages (Estágios) para selecionar um estágio para abri-lo Página de detalhes.
A etapa inclui uma visualização do DAG, um cronograma do evento e métricas das tarefas na etapa. Use esta página para solucionar problemas relacionados a tarefas substituídas, atrasos no programador e erros de falta de memória. O visualizador do DAG mostra a linha de código derivada da etapa, ajudando a rastrear os problemas no código.
Clique na guia Executores para obter informações sobre o nós do driver e do executor.
Informações importantes nesta página incluem o número de núcleos e o número de tarefas executadas em cada executor.
Interface da Web do Tez
O Tez é o mecanismo de execução padrão para Hive e Pig no Dataproc. Enviar um job do Hive em um cluster de job do Dataproc inicia um Aplicativo Tez (consulte Como usar o Apache Hive no Dataproc .
Se você configurou o Yarn Timeline Service v2
e definiu a propriedade dataproc:yarn.atsv2.bigtable.instance
ao criar
os clusters de jobs do PHS e do Dataproc, o YARN grava
dados da linha do tempo do job do Hive e do Pig gerados na instância do Bigtable especificada
para recuperação e exibição na interface da Web do Tez em execução no
servidor do PHS.
Interface da Web YARN do cronograma V2 do aplicativo
Se você configurou o Yarn Timeline Service v2
e definiu a propriedade dataproc:yarn.atsv2.bigtable.instance
ao
criar os clusters de jobs do PHS e do Dataproc, o YARN grava
os dados da linha do tempo do job gerados na instância do Bigtable especificada para recuperação e
exibição na interface da Web do serviço de linha do tempo do aplicativo do YARN em execução no
servidor do PHS. Os jobs do Dataproc estão listados em Atividade de fluxo
na interface da Web.
Configurar o serviço de linha do tempo do Yarn v2
Para configurar o Yarn Timeline Service v2, configure uma instância do Bigtable e, se necessário, verifique os papéis da conta de serviço da seguinte maneira:
Verifique os papéis da conta de serviço, se necessário. O padrão Conta de serviço de VM usado por VMs de clusters do Dataproc tem as permissões necessárias para criar e configurar a instância do Bigtable do serviço de linha do tempo YARN. Se você criar o job ou o cluster de PHS com uma conta de serviço de VM personalizada, ela precisará ter o papel
Administrator
ouBigtable User
do Bigtable.
Esquema de tabela obrigatório
O suporte do Dataproc PHS para o
YARN Timeline Service v2
exige um esquema específico criado na
instância do Bigtable. O Dataproc cria o conjunto de dados
esquema quando um cluster de job ou de PHS é criado com o
propriedade dataproc:yarn.atsv2.bigtable.instance
definida para apontar para o
instância do Bigtable.
Confira a seguir o esquema obrigatório da instância do Bigtable:
Tabelas | Grupos de colunas |
---|---|
prod.timelineservice.application | c, i, m |
prod.timelineservice.app_flow | m |
prod.timelineservice.entity | c,i,m |
prod.timelineservice.flowactivity | i |
prod.timelineservice.flowrun | i |
prod.timelineservice.subapplication | c, i, m |
Coleta de lixo do Bigtable
É possível configurar a coleta de lixo do Bigtable com base na idade para tabelas do ATSv2:
Instalar cbt, (incluindo a criação do
.cbrtc file
).Crie a política de coleta de lixo com base na idade do ATSv2:
export NUMBER_OF_DAYS = number \ cbt setgcpolicy prod.timelineservice.application c maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.application i maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.application m maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.app_flow m maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.entity c maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.entity i maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.entity m maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.flowactivity i maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.flowrun i maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.subapplication c maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.subapplication i maxage=${NUMBER_OF_DAYS} \ cbt setgcpolicy prod.timelineservice.subapplication m maxage=${NUMBER_OF_DAYS}
Observações:
NUMBER_OF_DAYS: o número máximo de dias é 30d
.