Saída e registros de jobs do Dataproc

Quando você envia um job do Dataproc, ele coleta automaticamente a saída do job e a disponibiliza. Isso significa que é possível analisar rapidamente a saída do job sem a necessidade de manter uma conexão com o cluster enquanto os jobs são executados ou de conferir arquivos de registro complexos.

Registros do Spark

Há dois tipos de registros do Spark: registros do driver e do executor. Os registros do driver do Spark contêm a saída do job. Os registros do executor do Spark contêm a saída executável ou de inicialização do job, como uma mensagem spark-submit "Aplicativo xxx enviado", e podem ser úteis para depurar falhas de jobs.

O driver de job do Dataproc, que é diferente do driver do Spark, é um iniciador para muitos tipos de jobs. Ao iniciar jobs do Spark, ele é executado como um wrapper no executável spark-submit, que inicia o driver do Spark. O driver do Spark executa o job no cluster do Dataproc no modo client ou cluster do Spark:

  • Modo client: o driver do Spark executa o job no processo spark-submit, e os registros do Spark são enviados para o driver de job do Dataproc.

  • Modo cluster: o driver do Spark executa o job em um contêiner YARN. Os registros do driver do Spark não estão disponíveis para o driver de job do Dataproc.

Visão geral das propriedades de jobs do Dataproc e do Spark

Propriedade Valor Padrão Descrição
dataproc:dataproc.logging.stackdriver.job.driver.enable verdadeiro ou falso falso Precisa ser definido no momento da criação do cluster. Quando true, a saída do driver do job está no Logging, associada ao recurso do job. Quando false, a saída do driver do job não está no Logging.
Observação: as seguintes configurações de propriedade do cluster também são necessárias para ativar os registros do driver do job no Logging e são definidas por padrão quando um cluster é criado: dataproc:dataproc.logging.stackdriver.enable=true e dataproc:jobs.file-backed-output.enable=true
dataproc:dataproc.logging.stackdriver.job.yarn.container.enable verdadeiro ou falso falso Precisa ser definido no momento da criação do cluster. Quando true, os registros do contêiner YARN do job são associados ao recurso do job. Quando false, os registros do contêiner YARN do job são associados ao recurso do cluster.
spark:spark.submit.deployMode cliente ou cluster cliente Controla o modo client ou cluster do Spark.

Jobs do Spark enviados usando a API jobs do Dataproc

As tabelas desta seção listam o efeito de diferentes configurações de propriedade no destino da saída do driver do job do Dataproc quando os jobs são enviados pela API jobs do Dataproc, que inclui o envio de jobs pelo console do Google Cloud, CLI gcloud e as bibliotecas de cliente do Cloud.

As propriedades do Dataproc e do Spark listadas podem ser definidas com a flag --properties quando um cluster é criado e serão aplicadas a todos os jobs do Spark executados no cluster. As propriedades do Spark também podem ser definidas com a flag --properties (sem o prefixo "spark:") quando um job é enviado para a API jobs do Dataproc e serão aplicadas apenas ao job.

Saída do driver do job do Dataproc

As tabelas a seguir listam o efeito de diferentes configurações de propriedade no destino da saída do job driver do Dataproc.

dataproc:
dataproc.logging.stackdriver.job.driver.enable		 Saída
false (padrão)
  • Transmitido para o cliente
  • No Cloud Storage, no arquivo driverOutputResourceUri gerado pelo Dataproc
  • Não está na geração de registros
verdadeiro
  • Transmitido para o cliente
  • No Cloud Storage, no arquivo driverOutputResourceUri gerado pelo Dataproc
  • No Logging: dataproc.job.driver no recurso do job.

Registros do driver do Spark

As tabelas a seguir listam o efeito de diferentes configurações de propriedade no destino dos registros do driver do Spark.

spark:
spark.submit.deployMode		 dataproc:
dataproc.logging.stackdriver.job.driver.enable		 dataproc:
dataproc.logging.stackdriver.job.yarn.container.enable		 Saída do driver
cliente false (padrão) verdadeiro ou falso
  • Transmitido para o cliente
  • No Cloud Storage, no arquivo driverOutputResourceUri gerado pelo Dataproc
  • Não está na geração de registros
cliente verdadeiro verdadeiro ou falso
  • Transmitido para o cliente
  • No Cloud Storage, no arquivo driverOutputResourceUri gerado pelo Dataproc
  • No Logging: dataproc.job.driver no recurso do job
cluster false (padrão) falso
  • Não transmitido para o cliente
  • Não está no Cloud Storage
  • Em Logging yarn-userlogs no recurso do cluster
cluster verdadeiro verdadeiro
  • Não transmitido para o cliente
  • Não está no Cloud Storage
  • No Logging: dataproc.job.yarn.container no recurso do job

Registros do executor do Spark

As tabelas a seguir listam o efeito de diferentes configurações de propriedade no destino dos registros do executor do Spark.

dataproc:
dataproc.logging.stackdriver.job.yarn.container.enable		 Registro do executor
false (padrão) No Logging: yarn-userlogs no recurso do cluster
verdadeiro No Logging dataproc.job.yarn.container, no recurso do job

Jobs do Spark enviados sem usar a API jobs do Dataproc

Esta seção lista o efeito de diferentes configurações de propriedade no destino dos registros de jobs do Spark quando eles são enviados sem usar a API jobs do Dataproc, por exemplo, ao enviar um job diretamente em um nó do cluster usando spark-submit ou ao usar um notebook Jupyter ou Zeppelin. Esses jobs não têm IDs ou drivers de jobs do Dataproc.

Registros do driver do Spark

As tabelas a seguir listam o efeito de diferentes configurações de propriedade no destino dos registros do driver do Spark para trabalhos não enviados pela API jobs do Dataproc.

spark:
spark.submit.deployMode		 Saída do driver
cliente
  • Transmitido para o cliente
  • Não está no Cloud Storage
  • Não está na geração de registros
cluster
  • Não transmitido para o cliente
  • Não está no Cloud Storage
  • Em Logging yarn-userlogs no recurso do cluster

Registros do executor do Spark

Quando os jobs do Spark não são enviados pela API jobs do Dataproc, os registros do executor estão em Logging yarn-userlogs no recurso do cluster.

Conferir a saída do job

É possível acessar a saída do job do Dataproc no console do Google Cloud, na CLI gcloud, no Cloud Storage ou no Logging.

Console

Para conferir a saída do job, acesse a seção Jobs do Dataproc do projeto e clique no ID do job.

Se o job estiver em execução, a saída será atualizada periodicamente com novo conteúdo.

Comando gcloud

Quando um job é enviado com o comando gcloud dataproc jobs submit, a saída do job é exibida no console. É possível "reingressar" na saída mais tarde, em outro computador ou em uma nova janela, passando o ID do job para o comando gcloud dataproc jobs wait. O código do job é um GUID, como 5c1754a5-34f7-4553-b667-8a1199cb9cab. Aqui está um exemplo:

gcloud dataproc jobs wait 5c1754a5-34f7-4553-b667-8a1199cb9cab \
    --project my-project-id --region my-cluster-region

Waiting for job output...
... INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.4.2-hadoop2
... 16:47:45 INFO client.RMProxy: Connecting to ResourceManager at my-test-cluster-m/
...

Cloud Storage

A saída do job é armazenada no Cloud Storage no bucket de preparação ou no bucket especificado quando você criou o cluster. Um link para a saída do job no Cloud Storage é fornecido no campo Job.driverOutputResourceUri retornado por:

  • uma solicitação de API jobs.get.
  • um comando gcloud dataproc jobs describe job-id.
    $ gcloud dataproc jobs describe spark-pi
...
driverOutputResourceUri: gs://dataproc-nnn/jobs/spark-pi/driveroutput
...

Geração de registros

Consulte Registros do Dataproc para saber como visualizar a saída do job do Dataproc no Logging.