Servidor de historial persistente de Dataproc

Descripción general

El servicio de Dataproc El Servidor de historial persistente (PHS) proporciona interfaces web para visualizar el historial de trabajos para los trabajos que se ejecutan en clústeres de Dataproc activos o borrados. Está disponible en la versión 1.5 de la imagen de Dataproc y versiones posteriores, y se ejecuta en un clúster de Dataproc de nodo único. Proporciona interfaces web a los siguientes archivos y datos:

  • Archivos de historial de trabajos de MapReduce y Spark

  • Archivos de historial de trabajos de Flink (consulta el componente Flink opcional de Dataproc para crear un clúster de Dataproc que ejecute trabajos de Flink)

  • Archivos de datos de cronogramas de aplicaciones creados por el servicio de cronogramas de YARN v2 y almacenados en una instancia de Bigtable.

  • Registros de agregación de YARN

El servidor de historial persistente accede a los archivos del historial de trabajos de Spark y MapReduce, a los archivos del historial de trabajos de Flink y a los archivos de registro de YARN que se escriben en Cloud Storage durante la vida útil de los clústeres de trabajo de Dataproc, y los muestra.

Limitaciones

  • La versión de la imagen del clúster de PHS y el debe coincidir con la versión de la imagen de los clústeres de trabajo. Por ejemplo, puedes usar un clúster de PHS de la versión de imagen 2.0 de Dataproc para ver los archivos de historial de trabajos de los trabajos que se ejecutaron en clústeres de trabajo de la versión de imagen 2.0 de Dataproc que se encontraban en el proyecto donde se encuentra el clúster de PHS.

  • Un clúster de PHS no es compatible Kerberos y Autenticación Personal.

Crear un clúster PHS de Dataproc

Puedes ejecutar lo siguiente: gcloud dataproc clusters create en una terminal local o en Cloud Shell con las siguientes marcas propiedades del clúster para crear un clúster de nodo único del servidor de historial persistente de Dataproc.

gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT \
    --region=REGION \
    --single-node \
    --enable-component-gateway \
    --optional-components=COMPONENT \
    --properties=PROPERTIES
  • CLUSTER_NAME: Especifica el nombre del clúster de PHS.
  • PROJECT: Especifica el proyecto que se asociará con el clúster de PHS. Este proyecto debe ser el mismo que el asociado con el clúster que ejecuta tus trabajos (consulta Cómo crear un clúster de trabajos de Dataproc).
  • REGION: Especifica una región de Compute Engine en la que se ubicará el clúster de PHS.
  • --single-node: Un clúster de PHS es un clúster de Dataproc clúster de nodo único.
  • --enable-component-gateway: Esta marca habilita Puerta de enlace del componente interfaces web en el clúster PHS.
  • COMPONENT: Usa esta marca para instalar uno o más componentes opcionales en el clúster. Debes especificar el componente opcional FLINK para ejecutar la Servicio web de HistoryServer de Flink en el clúster de PHS para ver Filtra los archivos de historial de trabajos.
  • PROPERTIES Especifica uno o más propiedades del clúster.
  • Si lo deseas, puedes agregar --image-version marca para especificar la versión de la imagen del clúster de PHS. La versión de la imagen del PHS debe coincidir con la versión de la imagen de los clústeres de trabajo de Dataproc. Consulta Limitaciones.

    Notas:

    • En los ejemplos de valores de propiedad de esta sección, se usa un "*" para permitir que la PHS hacer coincidir varios directorios del bucket especificado en los que escriben diferentes clústeres de trabajos (pero consulta Consideraciones sobre la eficiencia de comodines).
    • Las marcas --properties independientes se muestran en los siguientes ejemplos para para facilitar la lectura. La práctica recomendada cuando usas gcloud dataproc clusters create para crear un Dataproc en Compute Engine clúster es usar una marca --properties para especificar una lista de propiedades separadas por comas (consulta formato de propiedades del clúster).

    Propiedades:

    • yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/*/yarn-logs Agrega esta propiedad para especificar la ubicación de Cloud Storage donde la PHS accederán a los registros YARN escritos por clústeres de trabajos.
    • spark:spark.history.fs.logDirectory=gs://bucket-name/*/spark-job-history Agrega esta propiedad para habilitar el historial de trabajos de Spark persistente. Esta propiedad especifica la ubicación donde el PHS accederá a los registros del historial de trabajos de Spark que escriben los clústeres de trabajos.

      En los clústeres de Dataproc 2.0+, las siguientes dos propiedades también debe configurarse para habilitar los registros del historial de Spark de PHS (consulta Opciones de configuración del servidor del historial de Spark). El valor spark.history.custom.executor.log.url es un valor literal que contiene {{PLACEHOLDERS}} para las variables que establecerá el servidor de historial persistente. Estos las variables no las establecen los usuarios; pasa el valor de la propiedad como se muestra.

      --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: Agrega esta propiedad para habilitar el historial de trabajos persistentes de MapReduce. Esta propiedad especifica la ubicación de Cloud Storage en la que la PHS accederá a los registros del historial de trabajos de MapReduce escritos por los clústeres de trabajo.

    • dataproc:yarn.atsv2.bigtable.instance=projects/project-id/instance_id/bigtable-instance-id: Después de Configurar el servicio de cronograma de YARN v2, agrega esta propiedad para usar el clúster de PHS y ver los datos del cronograma Servicio de cronograma de aplicaciones de YARN V2 y a las interfaces web de Tez (consulta Interfaces web de puerta de enlace de componentes).

    • flink:historyserver.archive.fs.dir=gs://bucket-name/*/flink-job-history/completed-jobs Usa esta propiedad para configurar el HistoryServer de Flink y supervisar un una lista de directorios separados por comas.

    Ejemplos de propiedades:

    --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
    

Crea un clúster de trabajo de Dataproc

Puedes ejecutar el siguiente comando en una terminal local o en Cloud Shell para crear una Clúster de trabajo de Dataproc que ejecuta trabajos y escribe archivos de historial de trabajos en un servidor de historial 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 el nombre del clúster de trabajo.
  • PROJECT: Especifica el proyecto asociado con el clúster de trabajo.
  • REGION: Especifica la región de Compute Engine en la que se ubicará el clúster del trabajo.
  • --enable-component-gateway: Esta marca habilita las interfaces web de la puerta de enlace de componentes en el clúster de trabajo.
  • COMPONENT: Usa esta marca para instalar una o más. componentes opcionales en el clúster. Especifica el componente opcional FLINK para ejecutar trabajos de Flink en el clúster.
  • PROPERTIES: Agrega uno o más de los siguientes elementos propiedades del clúster para configurar ubicaciones de Cloud Storage no predeterminadas relacionadas con PHS y otras propiedades del clúster de trabajos.

    Notas:

    • En los ejemplos de valores de propiedad de esta sección, se usa el carácter comodín "*" para permitir que el PHS coincida con varios directorios en el bucket especificado en el que escriben diferentes clústeres de trabajo (pero consulta Consideraciones de eficiencia de los comodines).
    • En los siguientes ejemplos, se muestran marcas --properties separadas para facilitar la lectura. La práctica recomendada cuando se usa gcloud dataproc clusters create para crear un clúster de Dataproc en Compute Engine es usar una marca --properties para especificar una lista de propiedades separadas por comas (consulta formato de las propiedades del clúster).

    Propiedades:

    • yarn:yarn.nodemanager.remote-app-log-dir: De forma predeterminada, los registros YARN agregados están habilitados en los clústeres de trabajos de Dataproc y se escriben en el bucket temporal del clúster. Agrega esta propiedad para especificar una ubicación diferente de Cloud Storage en la que el clúster escribirá registros de agregación para que el servidor del historial persistente pueda acceder a ellos.
      --properties=yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/directory-name/yarn-logs
      
    • spark:spark.history.fs.logDirectory y spark:spark.eventLog.dir: De forma predeterminada, los archivos de historial de trabajos de Spark se guardan en el clúster. temp bucket en el directorio /spark-job-history. Puedes agregar estas propiedades para especificar ubicaciones diferentes de Cloud Storage para estos archivos. Si ambos del bucket, deben apuntar a directorios en el mismo 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 y mapred:mapreduce.jobhistory.intermediate-done-dir: De forma predeterminada, los archivos del historial de trabajos de MapReduce se guardan en el clúster temp bucket en los directorios /mapreduce-job-history/done y /mapreduce-job-history/intermediate-done. El mapreduce.jobhistory.intermediate-done-dir intermedio la ubicación es un almacenamiento temporal; los archivos intermedios se mueven al Ubicación mapreduce.jobhistory.done-dir cuando se completa el trabajo de MapReduce. Puedes agregar estas propiedades para especificar diferentes ubicaciones de Cloud Storage para estos archivos. Si se usan ambas propiedades, deben apuntar a directorios en el mismo 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 y spark:spark.history.fs.gs.outputstream.sync.min.interval.ms: Agregar Conector de Cloud Storage para cambiar la configuración comportamiento de cómo el clúster del trabajo envía datos a Cloud Storage. El spark:spark.history.fs.gs.outputstream.type predeterminado es BASIC, que envía datos a Cloud Storage después de que se completa la tarea. Puedes cambiar este parámetro de configuración a FLUSHABLE_COMPOSITE para cambiar el comportamiento de limpieza para copiar datos a Cloud Storage en intervalos regulares mientras se ejecuta el trabajo.
      --properties=spark:spark.history.fs.gs.outputstream.type=FLUSHABLE_COMPOSITE
      
      El spark:spark.history.fs.gs.outputstream.sync.min.interval.ms predeterminado, que controla la frecuencia con la que se transfieren los datos a Cloud Storage, es 5000ms y se puede cambiar a un intervalo de tiempo ms diferente:
      --properties=spark:spark.history.fs.gs.outputstream.sync.min.interval.ms=intervalms
      
      Nota: Para establecer estas propiedades, la versión de la imagen del clúster de trabajo de Dataproc debe usar la versión 2.2.0 o posterior del conector de Cloud Storage. Puedes verificar la versión del conector instalada en las versiones de imagen en la página Lista de versiones de imágenes de Dataproc.
    • dataproc:yarn.atsv2.bigtable.instance: Después de Configurar el servicio de cronograma de YARN v2, agrega esta propiedad para escribir datos de la línea de tiempo de YARN en el Instancia de Bigtable para ver en el clúster de PHS Interfaces web de YARN Application Time Time V2 y Tez Nota: La creación del clúster fallará si la instancia de Bigtable no existen.
      --properties=dataproc:yarn.atsv2.bigtable.instance=projects/project-id/instance_id/bigtable-instance-id
      
    • flink:jobhistory.archive.fs.dir: El administrador de trabajos de Flink archiva trabajos de Flink completados subiendo información de trabajos archivados a un directorio del sistema de archivos. Usa esta propiedad para establecer el directorio de almacenamiento en flink-conf.yaml.
      --properties=flink:jobmanager.archive.fs.dir=gs://bucket-name/job-cluster-1/flink-job-history/completed-jobs
      

Usa PHS con cargas de trabajo por lotes de Spark

Usar el servidor de historial persistente con Dataproc Serverless para Cargas de trabajo por lotes de Spark:

  1. Crea un clúster de PHS.

  2. Selecciona o especifica el clúster de PHS cuando enviar una carga de trabajo por lotes de Spark

Usa PHS con Dataproc en Google Kubernetes Engine

Para usar el servidor de historial persistente con Dataproc en GKE:

  1. Crea un clúster de PHS.

  2. Selecciona o especifica el clúster de PHS cuando crees un clúster virtual de Dataproc en GKE.

Interfaces web de puerta de enlace de componentes

En la consola de Google Cloud, desde Dataproc En la página Clústeres, haz clic en el nombre del clúster de PHS. para abrir la página Detalles del clúster. En la pestaña Interfaces web, haz lo siguiente: selecciona los vínculos de la puerta de enlace del componente para abrir interfaces web que se ejecutan en el clúster de PHS.

Interfaz web del servidor de historial de Spark

En la siguiente captura de pantalla, se muestra la interfaz web del servidor de historial de Spark, que muestra los vínculos a los trabajos de Spark que se ejecutan en job-cluster-1 y job-cluster-2 después de configurar spark.history.fs.logDirectory y spark:spark.eventLog.dir de los clústeres de trabajo y las ubicaciones de spark.history.fs.logDirectory del clúster de PHS de la siguiente manera:

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

Puedes enumerar los trabajos por Nombre de la app en la interfaz web del Servidor de historial de Spark si ingresas el nombre de una app en el cuadro de búsqueda. El nombre de la aplicación se puede establecer de una de las siguientes maneras: (enumerados por prioridad):

  1. Configurar dentro del código de la aplicación cuando se crea el contexto de Spark
  2. Se establece con la propiedad spark.app.name cuando se envía el trabajo
  3. Configurar por Dataproc para el nombre completo del recurso de REST para el trabajo (projects/project-id/regions/region/jobs/job-id)

Los usuarios pueden ingresar un término de nombre de app o recurso en el cuadro de búsqueda. para buscar y enumerar trabajos.

Registros de eventos

La interfaz web del servidor de historial de Spark proporciona un botón Registro de eventos en el que puedes hacer clic para descargar los registros de eventos de Spark. Estos registros son útiles para examinar el ciclo de vida de la aplicación de Spark.

Trabajos de Spark

Las aplicaciones de Spark se dividen en varios trabajos, que se desglosan en varias etapas. Cada etapa puede tener varias tareas, que se ejecutan en nodos ejecutores (trabajadores).

  • Haz clic en un ID de app de Spark en la interfaz web para abrir la página Trabajos de Spark, que proporciona un cronograma de eventos y un resumen de los trabajos dentro de la aplicación.

  • Haz clic en un trabajo para abrir una página de detalles de trabajo con un grafo acíclico dirigido (DAG) y el resumen de las etapas del trabajo.

  • Haz clic en una etapa o usa la pestaña Etapas para seleccionar una etapa a fin de abrir la página Detalles de la etapa.

    Los detalles de la etapa incluyen una visualización de DAG, un cronograma de eventos y métricas para las tareas dentro de la etapa. Puedes usar esta página para solucionar problemas relacionados con tareas suprimidas, retrasos del programador y errores de memoria insuficiente. El visualizador de DAG muestra la línea de código a partir de la cual se deriva la etapa, lo que te ayuda a hacer un seguimiento de los problemas hasta el código.

  • Haz clic en la pestaña Ejecutores para obtener información sobre la configuración los nodos del controlador y el ejecutor.

    La información importante de esta página incluye la cantidad de núcleos y la cantidad de tareas que se ejecutaron en cada ejecutor.

Interfaz web de Tez

Tez es el motor de ejecución predeterminado para Hive y Pig en Dataproc. El envío de un trabajo de Hive en un clúster de trabajo de Dataproc inicia una aplicación de Tez (consulta Cómo usar Apache Hive en Dataproc ).

Si configuraste el servicio de cronograma de Yarn v2 y estableciste la propiedad dataproc:yarn.atsv2.bigtable.instance cuando creaste los clústeres de trabajo de PHS y Dataproc, YARN escribe los datos de cronograma de trabajo generados de Hive y Pig en la instancia de Bigtable especificada para su recuperación y visualización en la interfaz web de Tez que se ejecuta en el servidor de PHS.

Interfaz web del cronograma de aplicaciones V2 de YARN

Si configuraste el servicio de cronograma de Yarn v2 y establece la propiedad dataproc:yarn.atsv2.bigtable.instance cuando creó los clústeres de trabajo de PHS y Dataproc, YARN escribe datos de la línea de tiempo de los trabajos generados en la instancia de Bigtable especificada para su recuperación y mostrar en la interfaz web del servicio de cronograma de aplicaciones de YARN que se ejecuta en Servidor de PHS. Los trabajos de Dataproc se enumeran en Actividad de flujo. en la interfaz web.

Configura el servicio de cronograma de Yarn v2

Para configurar el servicio de cronograma de Yarn v2, configura una instancia de Bigtable y, si es necesario, verifica los roles de las cuentas de servicio de la siguiente manera:

  1. Crear una instancia de Bigtable.

  2. Verifica los roles de la cuenta de servicio, si es necesario. Predeterminado Cuenta de servicio de VM que usan las VMs del clúster de Dataproc tiene los permisos necesarios para crear y configurar en la instancia de Bigtable para el servicio de cronograma de YARN. Si creas tu trabajo o clúster de PHS con una cuenta de servicio de VM personalizada, la cuenta debe tener el rol Administrator o Bigtable User de Bigtable.

Esquema de tabla obligatorio

La compatibilidad de PHS de Dataproc con el servicio de cronograma de YARN v2 requiere un esquema específico creado en la instancia de Bigtable. Dataproc crea el entorno esquema cuando se crea un clúster de trabajo o un clúster de PHS con el Se configuró la propiedad dataproc:yarn.atsv2.bigtable.instance para que apunte a de Bigtable.

El siguiente es el esquema de instancia de Bigtable obligatorio:

Tablas Familias de columnas
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

Recolección de elementos no utilizados de Bigtable

Puedes configurar la recolección de elementos no utilizados de Bigtable basada en la edad para Tablas ATSv2:

  • Instala cbt, (incluida la creación de .cbrtc file).

  • Crea la política de recolección de elementos no utilizados basada en la antigüedad de 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}

Notas:

NUMBER_OF_DAYS: La cantidad máxima de días es 30d.