Esta página foi traduzida pela API Cloud Translation.

Servidor de histórico permanente do Dataproc

Visão geral

O servidor de histórico permanente (PHS) do Dataproc fornece interfaces da Web para conferir o histórico de 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 pelo YARN Timeline Service v2 e armazenados em uma instância do Bigtable.
Registros de agregação do YARN

O servidor de histórico permanente acessa e exibe arquivos de histórico de jobs do Spark e MapReduce, arquivos de histórico de jobs do Flink e arquivos de registro do YARN gravados no Cloud Storage durante a vida útil 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 da imagem do Dataproc 2.0 para conferir os arquivos de histórico de jobs que foram executados em clusters de jobs da versão da imagem do Dataproc 2.0 localizados no projeto em que o cluster PHS está localizado.
Um cluster de PHS não oferece suporte a Kerberos e à 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: especifica o nome do cluster de PHS.
PROJECT: especifique o projeto a ser associado ao cluster de PHS. Esse projeto precisa ser o mesmo que o associado ao cluster que executa seus jobs. Consulte Criar um cluster de jobs do Dataproc.
REGION: especifique uma região do Compute Engine em que o cluster de 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 essa flag para instalar um ou mais componentes opcionais no cluster. É necessário especificar o componente opcional FLINK para executar o serviço da Web do Flink HistoryServer no cluster do PHS e conferir os arquivos de histórico de jobs do Flink.
PROPERTIES. Especifique uma ou mais propriedades do cluster.
Se quiser, adicione a flag --image-version para especificar a versão da imagem do cluster do PHS. A versão da imagem do PHS precisa ser igual 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 corresponda a vários diretórios no bucket especificado gravado por diferentes clusters de jobs. Consulte Considerações sobre a eficiência de caracteres curinga.
- As flags --properties separadas são mostradas nos exemplos a seguir para facilitar a leitura. A prática recomendada ao usar gcloud dataproc clusters create para criar um cluster do Dataproc no Compute Engine é usar uma flag --properties para especificar uma lista de propriedades separadas por vírgulas. Consulte o formato de propriedades de cluster.
Propriedades:
- yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/*/yarn-logs: adicione essa propriedade para especificar o local do Cloud Storage em que o PHS vai acessar os registros do YARN gravados por clusters de jobs.
- 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 essa propriedade para ativar o histórico permanente 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 configurar o Yarn Timeline Service v2, adicione essa propriedade para usar o cluster de PHS e conferir dados de cronograma nas interfaces da Web do YARN Application Timeline Service V2 e do 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 o HistoryServer 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 comando abaixo em um terminal local ou no Cloud Shell para criar um cluster de jobs do Dataproc que executa jobs e grava arquivos de histórico de jobs em um servidor de histórico persistente (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 trabalho.
REGION: especifique a região do Compute Engine em que o cluster de jobs vai ficar.
--enable-component-gateway: essa flag ativa as interfaces da Web do Gateway de componentes no cluster do job.
COMPONENT: use essa flag para instalar um ou mais componentes opcionais no cluster. Especifique o componente opcional FLINK para executar trabalhos do Flink no cluster.
PROPERTIES: adicione uma ou mais das seguintes propriedades de cluster para definir locais não padrão do Cloud Storage relacionados ao PHS e outras propriedades de cluster de jobs.

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.
- As flags --properties separadas são mostradas nos exemplos a seguir para facilitar a leitura. A prática recomendada ao usar gcloud dataproc clusters create para criar um cluster do Dataproc no Compute Engine é usar uma flag --properties para especificar uma lista de propriedades separadas por vírgulas. Consulte o formato de propriedades de cluster.
Propriedades:
- yarn:yarn.nodemanager.remote-app-log-dir: por padrão, os registros YARN agregados são ativados em clusters de jobs do Dataproc e gravados no bucket temporário do cluster. 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 e spark:spark.eventLog.dir: por padrão, os arquivos de histórico de jobs do Spark são salvos no cluster temp bucket no diretório /spark-job-history. É possível adicionar essas propriedades para especificar diferentes locais do Cloud Storage para esses arquivos. Se ambas as propriedades forem usadas, elas precisarão 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 e mapred:mapreduce.jobhistory.intermediate-done-dir: por padrão, os arquivos de histórico de jobs do MapReduce são salvos no cluster temp bucket nos diretórios /mapreduce-job-history/done e /mapreduce-job-history/intermediate-done. O local intermediário mapreduce.jobhistory.intermediate-done-dir é o armazenamento temporário. Os arquivos intermediários são movidos para o local mapreduce.jobhistory.done-dir quando o job do MapReduce é concluído. É possível adicionar essas propriedades para especificar diferentes locais do Cloud Storage para esses arquivos. Se ambas as propriedades forem usadas, elas precisarão apontar para diretórios 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 e spark: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. O spark:spark.history.fs.gs.outputstream.type padrão é BASIC, que envia dados para o Cloud Storage após a conclusão do job. É possível mudar essa configuração para FLUSHABLE_COMPOSITE para alterar o comportamento de limpeza e copiar dados para o Cloud Storage em intervalos regulares enquanto o job está em execução.
```
--properties=spark:spark.history.fs.gs.outputstream.type=FLUSHABLE_COMPOSITE
```
  O 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, é 5000ms e pode ser alterado para um intervalo de tempo ms diferente:
```
--properties=spark:spark.history.fs.gs.outputstream.sync.min.interval.ms=intervalms
```
  Observação:para definir essas propriedades, a versão da imagem do cluster de jobs do Dataproc precisa usar a versão 2.2.0 ou mais recente do conector do Cloud Storage. É possível verificar a versão do conector instalada nas versões de imagem na página Lista de versões de imagem do Dataproc.
- dataproc:yarn.atsv2.bigtable.instance: depois de configurar o Yarn Timeline Service v2, adicione essa propriedade para gravar dados da linha do tempo do YARN na instância do Bigtable especificada para visualização nas interfaces da Web do YARN Application Timeline Service V2 e do Tez do cluster do PHS. Observação: a criação do cluster vai falhar se a instância do Bigtable não existir.
```
--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 em flink-conf.yaml.
```
--properties=flink:jobmanager.archive.fs.dir=gs://bucket-name/job-cluster-1/flink-job-history/completed-jobs
```

Usar o PHS com cargas de trabalho em lote do Spark

Para usar o servidor de histórico persistente com o Dataproc sem servidor para cargas de trabalho em lote do Spark:

Crie um cluster de PHS.
Selecione ou especifique o cluster do PHS ao enviar uma carga de trabalho de lote do Spark.

Usar a PHS com o Dataproc no Google Kubernetes Engine

Para usar o servidor de histórico permanente com o Dataproc no GKE:

Crie um cluster de PHS.
Selecione ou especifique o cluster PHS ao criar um cluster virtual do Dataproc no GKE.

Interfaces da Web do gateway de componentes

No console do Google Cloud, na página Clusters do Dataproc, clique no nome do cluster de 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 (listadas por prioridade):

Dentro do código do aplicativo ao criar o contexto do Spark.
Definido pela propriedade 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 Pesquisar para encontrar e listar jobs.

Logs de eventos

A interface da Web do servidor de histórico do Spark fornece um botão Log de eventos em que você pode clicar 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 uma etapa ou use a guia "Etapas" para selecionar uma etapa que será aberta na página "Detalhes da etapa".

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 ver informações sobre os nós do driver e do executor do aplicativo Spark.

Informações importantes nesta página incluem o número de núcleos e o número de tarefas executadas em cada executor.

Se um aplicativo for executado lentamente, observe o tamanho das leituras e gravações aleatórias. Uma grande quantidade de dados pode prejudicar o desempenho.

Interface da Web do Tez

O Tez é o mecanismo de execução padrão do Hive e do Pig no Dataproc. O envio de um job do Hive em um cluster de jobs 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 da programação do aplicativo YARN V2

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 são listados na guia Flow Activity 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:

Crie uma instância do Bigtable.
Verifique os papéis da conta de serviço, se necessário. A conta de serviço da VM padrão usada pelas VMs do cluster do Dataproc tem as permissões necessárias para criar e configurar a instância do Bigtable para o serviço de linha do tempo do YARN. Se você criar o job ou cluster de PHS com uma conta de serviço de VM personalizada, ela precisará ter o papel Administrator ou Bigtable 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 esquema necessário quando um cluster de jobs ou de PHS é criado com a propriedade dataproc:yarn.atsv2.bigtable.instance definida para apontar para a instância do Bigtable.

Confira abaixo o esquema de instância do Bigtable necessário:

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:

Instale o 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.