Lorsque vous envoyez une tâche Dataproc, Dataproc recueille automatiquement la sortie de la tâche et la met à votre disposition. Cela signifie que vous pouvez rapidement consulter les résultats de la tâche sans avoir à maintenir une connexion au cluster pendant l'exécution de vos tâches ni à parcourir des fichiers journaux compliqués.
Journaux Spark
Il existe deux types de journaux Spark: les journaux du pilote Spark et les journaux de l'exécuteur Spark.
Les journaux du pilote Spark contiennent la sortie de la tâche. Les journaux de l'exécuteur Spark contiennent la sortie de l'exécutable ou du lanceur de la tâche, comme un message spark-submit "Application xxx envoyée". Ils peuvent être utiles pour déboguer les échecs de tâche.
Le pilote de tâche Dataproc, qui est distinct du pilote Spark, est un lanceur de nombreux types de tâches. Lors du lancement de tâches Spark, il s'exécute en tant que wrapper sur l'exécutable spark-submit sous-jacent, qui lance le pilote Spark. Le pilote Spark exécute la tâche sur le cluster Dataproc en mode client ou cluster Spark:
Mode
client: le pilote Spark exécute la tâche dans le processusspark-submit, et les journaux Spark sont envoyés au pilote de tâche Dataproc.Mode
cluster: le pilote Spark exécute la tâche dans un conteneur YARN. Les journaux du pilote Spark ne sont pas disponibles pour le pilote de tâches Dataproc.
Présentation des propriétés des tâches Dataproc et Spark
| Propriété | Valeur | Par défaut | Description |
|---|---|---|---|
dataproc:dataproc.logging.stackdriver.job.driver.enable |
True ou False | faux | Doit être défini au moment de la création du cluster. Lorsque true est défini, la sortie du pilote de tâches est dans la journalisation, associée à la ressource de tâche. Lorsque false est défini, la sortie du pilote de tâches n'est pas dans la journalisation.Remarque: Les paramètres de propriété de cluster suivants sont également requis pour activer les journaux du pilote de tâches dans Logging. Ils sont définis par défaut lors de la création d'un cluster: dataproc:dataproc.logging.stackdriver.enable=true et dataproc:jobs.file-backed-output.enable=true.
|
dataproc:dataproc.logging.stackdriver.job.yarn.container.enable |
True ou False | faux | Doit être défini au moment de la création du cluster.
Lorsque la valeur est true, les journaux de conteneur YARN de la tâche sont associés à la ressource de tâche. Lorsque la valeur est false, les journaux de conteneur YARN de la tâche sont associés à la ressource de cluster. |
spark:spark.submit.deployMode |
client ou cluster | Client | Contrôle le mode client ou cluster de Spark. |
Tâches Spark envoyées à l'aide de l'API Dataproc jobs
Les tableaux de cette section indiquent l'impact des différents paramètres de propriété sur la destination de la sortie du pilote de tâche Dataproc lorsque des tâches sont envoyées via l'API Dataproc jobs, ce qui inclut l'envoi de tâches via la console Google Cloud, la gcloud CLI et les bibliothèques clientes Cloud.
Les propriétés Dataproc et Spark listées peuvent être définies avec l'indicateur --properties lors de la création d'un cluster et s'appliquer à toutes les tâches Spark exécutées sur le cluster. Les propriétés Spark peuvent également être définies avec l'indicateur --properties (sans le préfixe "spark:") lorsqu'une tâche est envoyée à l'API jobs Dataproc et ne s'appliqueront qu'à la tâche.
Résultats du pilote de tâches Dataproc
Les tableaux suivants indiquent l'impact des différents paramètres de propriété sur la destination de la sortie du pilote de tâche Dataproc.
dataproc: |
Sortie |
|---|---|
| false (valeur par défaut) |
|
| vrai |
|
Journaux du pilote Spark
Les tableaux suivants indiquent l'impact des différents paramètres de propriété sur la destination des journaux du pilote Spark.
spark: |
dataproc: |
dataproc: |
Sortie du pilote |
|---|---|---|---|
| Client | false (valeur par défaut) | True ou False |
|
| Client | vrai | True ou False |
|
| cluster | false (valeur par défaut) | faux |
|
| cluster | vrai | vrai |
|
Journaux de l'exécuteur Spark
Les tableaux suivants indiquent l'impact des différents paramètres de propriété sur la destination des journaux de l'exécuteur Spark.
dataproc: |
Journal de l'exécuteur |
|---|---|
| false (valeur par défaut) | Dans "Logging" (Journalisation) : yarn-userlogs sous la ressource de cluster |
| vrai | Dans Logging, dataproc.job.yarn.container sous la ressource de tâche |
Tâches Spark envoyées sans utiliser l'API jobs de Dataproc
Cette section indique l'impact des différents paramètres de propriété sur la destination des journaux de tâches Spark lorsque les tâches sont envoyées sans utiliser l'API Dataproc jobs, par exemple lorsque vous envoyez une tâche directement sur un nœud de cluster à l'aide de spark-submit ou lorsque vous utilisez un notebook Jupyter ou Zeppelin. Ces tâches ne comportent pas d'ID ni de pilotes de tâches Dataproc.
Journaux du pilote Spark
Les tableaux suivants indiquent l'impact des différents paramètres de propriété sur la destination des journaux du pilote Spark pour les tâches qui ne sont pas envoyées via l'API Dataproc jobs.
spark: |
Sortie du pilote |
|---|---|
| Client |
|
| cluster |
|
Journaux de l'exécuteur Spark
Lorsque les tâches Spark ne sont pas envoyées via l'API Dataproc jobs, les journaux de l'exécuteur se trouvent dans Logging yarn-userlogs sous la ressource de cluster.
Afficher le résultat du job
Vous pouvez accéder à la sortie de la tâche Dataproc dans la console Google Cloud, la gcloud CLI, Cloud Storage ou Logging.
Console
Pour afficher le résultat de la tâche, accédez à la section Jobs (Tâches) Dataproc de votre projet, puis cliquez sur l'ID de la tâche pour afficher les résultats.
Si la tâche est en cours d'exécution, le résultat est actualisé périodiquement avec le nouveau contenu.
Commande gcloud
Lorsque vous envoyez une tâche à l'aide de la commande gcloud dataproc jobs submit, le résultat de la tâche s'affiche dans la console. Vous pouvez "retrouver" ces résultats ultérieurement, sur un autre ordinateur ou dans une nouvelle fenêtre, en transmettant l'ID de votre tâche à la commande gcloud dataproc jobs wait. L'ID de tâche est un GUID, tel que 5c1754a5-34f7-4553-b667-8a1199cb9cab. Voici un exemple.
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
Dans Cloud Storage, le résultat de la tâche est stocké dans le bucket de préproduction ou le bucket spécifié lors de la création du cluster. Dans Cloud Storage, un lien vers les résultats de la tâche est fourni dans le champ Job.driverOutputResourceUri renvoyé par:
- une requête d'API jobs.get.
- une commande gcloud dataproc jobs describe job-id.
$ gcloud dataproc jobs describe spark-pi ... driverOutputResourceUri: gs://dataproc-nnn/jobs/spark-pi/driveroutput ...