Cuando envías un trabajo de Dataproc, Dataproc recopila automáticamente el resultado del trabajo y lo pone a tu disposición. Esto significa que puedes revisar con rapidez el resultado del trabajo sin tener que mantener una conexión con el clúster mientras se ejecutan tus trabajos o puedes revisar archivos de registro complicados.
Opciones de salida del trabajo de Spark
El controlador del trabajo de Dataproc es un selector para muchos tipos de trabajo. Cuando se inician trabajos de Spark, se ejecutan como un wrapper en el ejecutable spark-submit
subyacente, que inicia el controlador de Spark. El controlador de Spark ejecuta el trabajo en el clúster de Dataproc en el modo client
o cluster
de Spark:
Modo
client
: El controlador de Spark ejecuta el trabajo en el procesospark-submit
y los registros de Spark se envían al controlador de trabajo de Dataproc.Modo
cluster
: El controlador de Spark ejecuta el trabajo en un contenedor de YARN. Los registros del controlador de Spark no están disponibles para el controlador de trabajo de Dataproc y solo contienen registrosspark-submit
(por ejemplo, “Envío de la aplicación enviada xxx”). Los registros del ejecutor y del resultado del controlador de Spark se encuentran en los registros del contenedor de YARN.
En las siguientes tablas, se enumeran las propiedades de Dataproc y Spark que afectan el destino del controlador de trabajos de Dataproc y los resultados del trabajo de Spark.
Las propiedades de Dataproc y Spark enumeradas se pueden configurar con la marca --properties
cuando se crea un clúster, y se aplicarán a todos los trabajos de Spark que se ejecuten en el clúster. Las propiedades de Spark también se pueden configurar con la marca --properties
(sin el prefijo "spark:") cuando se envía un trabajo y se aplicarán solo al trabajo.
Propiedades de las salidas de trabajos de Dataproc y Spark relacionadas
Propiedad | Valor | Default | Descripción |
---|---|---|---|
dataproc:dataproc.logging.stackdriver.job.driver.enable |
True o False | falso | Cuando es true , el resultado del controlador del trabajo se encuentra en Logging, asociado con el recurso de trabajo. Cuando es false , el resultado del controlador del trabajo no está en Logging. |
dataproc:dataproc.logging.stackdriver.job.yarn.container.enable |
True o False | falso | Cuando es true , los registros del contenedor YARN de trabajo están asociados al recurso de trabajo. Cuando es false , los registros del contenedor YARN del trabajo están asociados con el recurso del clúster. |
spark:spark.submit.deployMode |
cliente o clúster | client | Controla el modo client o cluster de Spark. |
Resultado del controlador de trabajos de Dataproc
En las siguientes tablas, se indica el efecto de diferentes configuraciones de propiedades en el destino del resultado del controlador de trabajo de Dataproc.
dataproc: |
Salida |
---|---|
false (predeterminado) |
|
verdadero |
|
Salida del controlador de Spark
En las siguientes tablas, se indica el efecto de diferentes configuraciones de propiedades en el destino del resultado del controlador Spark.
spark: |
dataproc: |
Resultado del controlador |
---|---|---|
client | false (predeterminado) |
|
client | verdadero |
|
clúster | false (predeterminado) |
|
clúster | verdadero |
|
Resultado del ejecutor de Spark
En las siguientes tablas, se indica el efecto que tienen las diferentes configuraciones de propiedad en el destino del resultado del ejecutor de Spark.
dataproc: |
Resultado del ejecutor |
---|---|
false (predeterminado) | En Logging, yarn-userlogs en el recurso del clúster |
verdadero | En Logging, dataproc.job.yarn.container en el recurso de trabajo |
Ver el resultado del trabajo
Puedes acceder al resultado del controlador del trabajo de Dataproc con Cloud Console, la CLI de gcloud o Cloud Storage.
Console
Para ver el resultado del trabajo, ve a la sección Trabajos de tu proyecto en Dataproc y haz clic en el ID del trabajo.
Si el trabajo se está ejecutando, el resultado del trabajo se actualiza de forma periódica con contenido nuevo.
Comando de gcloud
Cuando envías un trabajo con el comando gcloud dataproc jobs Submit, el resultado del trabajo se muestra en la consola. Puedes volver a unirlos en otro momento, en una computadora diferente o en una ventana nueva si pasas el ID de tu trabajo al comando gcloud dataproc jobs wait. El ID del trabajo es un GUID, como 5c1754a5-34f7-4553-b667-8a1199cb9cab
. A continuación, se muestra un ejemplo.
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
El resultado del trabajo se almacena en Cloud Storage, en el bucket de etapa de pruebas o en el bucket que especificaste cuando creaste el clúster. Se proporciona un vínculo al resultado del trabajo en Cloud Storage en el campo Job.driverOutputResourceUri que se muestra en los siguientes casos:
- Una solicitud a la API de jobs.get
- un comando job-id de gcloud dataproc jobs describe.
$ gcloud dataproc jobs describe spark-pi ... driverOutputResourceUri: gs://dataproc-nnn/jobs/spark-pi/driveroutput ...