Dataproc usa imágenes para unir los conectores útiles de Google Cloud Platform y los componentes de Apache Spark y Apache Hadoop en un paquete que se puede implementar en un clúster de Dataproc. Estas imágenes contienen el sistema operativo base (Debian o Ubuntu) para el clúster, junto con los componentes principales y opcionales necesarios a fin de ejecutar trabajos, como Spark, Hadoop y Hive. Estas imágenes se actualizan periódicamente para incluir nuevas mejoras y atributos. El control de versiones de Dataproc te permite seleccionar conjuntos de versiones de software cuando creas clústeres.
Cómo funciona el control de versiones
Cuando se crea una imagen, se asigna un número de Versión de imagen en el siguiente formato:
version_major.version_minor.version_sub_minor-os_distribution
Las siguientes distribuciones de SO actualmente se mantienen:
Código de distribución de SO | Distribución de SO |
---|---|
debian12 | Debian 12 |
debian10 | Debian 10 |
debian11 | Debian 11 |
rocky8 | Rocky Linux 8 |
rocky9 | Rocky Linux 9 |
ubuntu18 | Ubuntu 18.04 LTS |
ubuntu20 | LTS de Ubuntu 20.4 |
ubuntu22 | LTS de Ubuntu 22.04 |
Consulta las versiones anteriores de la imagen para las distribuciones del SO admitidas.
La práctica recomendada es especificar la versión de la imagen major.minor
para los entornos de producción o cuando es importante la compatibilidad con versiones de componentes específicos. Las distribuciones del SO y subsecundarias se configuran automáticamente a la última versión semanal.
Cómo seleccionar versiones
Cuando creas un clúster de Dataproc nuevo, el último clúster disponible
Debian se usan de forma predeterminada. Puedes seleccionar una versión con imágenes de Debian, Rocky Linux o Ubuntu cuando crees un clúster (consulta la Lista de versiones de imágenes de Dataproc).
Cuando especificas imágenes basadas en Debian, puedes omitir el sufijo del código de distribución del SO, por ejemplo, si especificas 2.0
para seleccionar la imagen 2.0-debian10
.
Se debe usar el sufijo del SO para seleccionar un sistema Rocky Linux.
Imagen basada en Ubuntu, por ejemplo, si especificas 2.0-ubuntu18
.
Comando de gcloud
Cuando usas el comando gcloud dataproc clusters create
, puedes usar el argumento --image-version
a fin de especificar una versión con imágenes para el clúster nuevo.
Ejemplo de imagen de Debian:
gcloud dataproc clusters create cluster-name \ --image-version=2.0 \ --region=region
Ejemplo de imagen de Ubuntu:
gcloud dataproc clusters create cluster-name \ --image-version=2.0-ubuntu18 \ --region=region
La práctica recomendada es omitir la versión submenor para que se use la última versión submenor. Sin embargo, si es necesario, se puede especificar la versión submenor, por ejemplo, “2.0.20”.
Puedes verificar tu versión actual con Google Cloud CLI.
gcloud dataproc clusters describe cluster-name \ --region=region
API de REST
Puedes especificar el campo SoftwareConfig
imageVersion como parte de una solicitud a la API cluster.create.
Ejemplo
POST /v1/projects/project-id/regions/us-central1/clusters/ { "projectId": "project-id", "clusterName": "example-cluster", "config": { "configBucket": "", "gceClusterConfig": { "subnetworkUri": "default", "zoneUri": "us-central1-b" }, "masterConfig": { ... } }, "workerConfig": { ... } }, "softwareConfig": { "imageVersion": "2.0" } } }
Console
Abre la página Crear un clúster de Dataproc. Se selecciona el panel Configurar clúster. El campo Tipo de imagen y Versión en la sección Control de versiones muestra la imagen que se usará cuando se crea el clúster. También se muestra la fecha de lanzamiento de la imagen. Inicialmente, la imagen predeterminada, la última versión disponible de Debian, se muestra como seleccionada. Haz clic en CHANGE para ver una lista de las imágenes disponibles. Puedes seleccionar una imagen personalizada o estándar para usar en el clúster.
Cuando se crean versiones nuevas
Periódicamente, se crean versiones principales nuevas para incorporar una o más de las siguientes opciones:
- Versiones principales de:
- Spark, Hadoop y otros componentes de macrodatos
- Conectores de Google Cloud
- Actualizaciones o cambios importantes en la funcionalidad de Dataproc
Las nuevas versiones preliminares (con el sufijo -RC
) se lanzan antes del lanzamiento
de una nueva versión principal:
- Las imágenes de vista previa no están diseñadas para usarse en cargas de trabajo de producción.
- Es posible que las versiones de componentes de la imagen de vista previa se actualicen a la versión de componente más reciente disponible en la versión de imagen de DG posterior a la vista previa.
Las versiones secundarias nuevas se crean periódicamente para incorporar una o más de las siguientes opciones:
- Actualizaciones y versiones secundarias de:
- Spark, Hadoop y otros componentes de macrodatos
- Conectores de Google Cloud
- Actualizaciones o cambios menores en la funcionalidad de Dataproc
Cuando se crea un versión secundaria nueva, su imagen de Debian se convierte en el valor predeterminado para la versión principal y representa la última versión de la versión principal.
Periódicamente, se crean versiones submenores nuevas para incorporar una o más de las siguientes opciones:
- Parches o correcciones para un componente en la imagen
- Actualizaciones de versiones secundarias de componentes
Versiones con imágenes y compatibilidad con Dataproc
Las versiones con imágenes secundarias son compatibles durante 24 meses después del lanzamiento inicial de DG (disponibilidad general). Durante este período, los clústeres que usan estas versiones de imagen son aptos para la asistencia (para recibir correcciones, vuelve a crear el clúster con la versión de imagen subsecundaria más reciente compatible). Una vez que se cerró la ventana de asistencia, los clústeres que usan las versiones de imagen no son aptos para asistencia.
Versiones de imagen anteriores
Distribuciones de SO admitidas previamente
Las siguientes distribuciones de SO se admitían previamente:
Código de distribución de SO | Distribución de SO | Lastltimo parche (fin de asistencia) |
---|---|---|
debian9 | Debian 9 | 10 de julio de 2020 |
deb8 | Debian 8 | 26 de octubre de 2018 |
Versiones de imagen sin distribución explícita de SO
Antes del 16 de agosto de 2018, las versiones de imágenes se compilaban con Debian 8 y omitían el código de distribución del SO. Se especifican en el siguiente formato:
version_major.version_minor.version_sub_minor
0.1 y 0.2
Las versiones con imágenes lanzadas como Alfa o Beta antes de la disponibilidad general 1.0
de Dataproc no están sujetas a la política de asistencia de Dataproc.
Notas importantes sobre el control de versiones
- Las versiones de imagen contienen los siguientes componentes:
- Componentes principales que se instalan en todos los clústeres, como Spark, Hadoop y Hive
- Componentes opcionales que especificas cuando creas un clúster
- Tus clústeres de Dataproc no se actualizan automáticamente cuando se lanzan versiones de imagen nuevas.
- Recomendaciones:
- Ejecuta clústeres con la versión
versión submenor de la imagen.
Los metadatos de imagen incluyen una etiqueta
previous-subminor
, que se establece entrue
si la no usa la última versión de la imagen submenor.- Para ver los metadatos de las imágenes, sigue estos pasos:
- Ejecuta el siguiente comando:
gcloud compute images list --filter
para mostrar el nombre del recurso de una imagen de Dataproc.gcloud compute images list --project=PROJECT_NAME --filter="labels.goog-dataproc-version ~ ^IMAGE_VERSION (such as
2.2.16-debian12
)" - Ejecuta el siguiente comando
gcloud compute images describe
. para ver los metadatos de las imágenes.gcloud compute images describe --project=PROJECT_NAME IMAGE_NAME"
- Ejecuta el siguiente comando:
- Para ver los metadatos de las imágenes, sigue estos pasos:
- Prueba y valida que tus aplicaciones se ejecuten correctamente en clústeres creados con versiones de imagen nuevas, en especial cuando uses versiones principales nuevas.