Output e log dei job Dataproc

Quando invii un job Dataproc, Dataproc raccoglie automaticamente l'output del job e te lo rende disponibile. Ciò significa che puoi esaminare rapidamente l'output dei job senza dover mantenere una connessione al cluster durante l'esecuzione dei job o esaminare file di log complicati.

Log di Spark

Esistono due tipi di log Spark: log del driver Spark e log dell'executor Spark. I log del driver Spark contengono l'output del job; i log dell'eseguitore Spark contengono l'output dell'eseguibile o del programma di avvio del job, ad esempio un messaggio spark-submit "Richiesta inviata xxx" e possono essere utili per eseguire il debug degli errori del job.

Il driver di job Dataproc, distinto dal driver Spark, è un programma di avvio per molti tipi di job. Quando vengono avviati i job Spark, viene eseguito come wrapper sull'eseguibile spark-submit sottostante, che avvia il driver Spark. Il driver Spark esegue il job sul cluster Dataproc in modalità Spark client o cluster:

  • Modalità client: il driver Spark esegue il job nel processo spark-submit e i log di Spark vengono inviati al driver del job Dataproc.

  • Modalità cluster: il driver Spark esegue il job in un contenitore YARN. I log del driver Spark non sono disponibili per il driver del job Dataproc.

Panoramica delle proprietà dei job Dataproc e Spark

Proprietà Valore Predefinito Descrizione
dataproc:dataproc.logging.stackdriver.job.driver.enable true o false falso Deve essere impostato al momento della creazione del cluster. Se true, l'output del driver del job è in Logging, associato alla risorsa del job; se false, l'output del driver del job non è in Logging.
Nota: per attivare i log del driver dei job in Logging sono necessarie anche le seguenti impostazioni della proprietà del cluster, che vengono impostate per impostazione predefinita quando viene creato un cluster: dataproc:dataproc.logging.stackdriver.enable=true e dataproc:jobs.file-backed-output.enable=true
dataproc:dataproc.logging.stackdriver.job.yarn.container.enable true o false falso Deve essere impostato al momento della creazione del cluster. Se true, i log dei contenitori YARN del job sono associati alla risorsa del job; se false, i log dei contenitori YARN del job sono associati alla risorsa del cluster.
spark:spark.submit.deployMode client o cluster client Controlla la modalità Spark client o cluster.

Job Spark inviati utilizzando l'API jobs Dataproc

Le tabelle in questa sezione elencano l'effetto di diverse impostazioni delle proprietà sulla destinazione dell'output del driver del job Dataproc quando i job vengono inviati tramite l'API Dataproc jobs, che include l'invio dei job tramite la console Google Cloud, gcloud CLI e le librerie client Cloud.

Le proprietà Dataproc e Spark elencate possono essere impostate con il flag --properties quando viene creato un cluster e verranno applicate a tutti i job Spark eseguiti sul cluster. Le proprietà Spark possono essere impostate anche con il flag --properties (senza il prefisso "spark:") quando un job viene inviato all'API jobs Dataproc e verranno applicate solo al job.

Output del driver del job Dataproc

Le tabelle seguenti elencano l'effetto di impostazioni di proprietà diverse sulla destinazione dell'output del driver dei job Dataproc.

dataproc:
dataproc.logging.stackdriver.job.driver.enable		 Output
false (valore predefinito)
  • Trasmesso in streaming al client
  • In Cloud Storage nella directory generata da Dataproc driverOutputResourceUri
  • Non nel logging
true
  • Trasmesso in streaming al client
  • In Cloud Storage nella directory generata da Dataproc driverOutputResourceUri
  • In Logging: dataproc.job.driver nella risorsa job.

Log del driver Spark

Le tabelle seguenti elencano l'effetto di impostazioni di proprietà diverse sulla destinazione dei log del driver Spark.

spark:
spark.submit.deployMode		 dataproc:
dataproc.logging.stackdriver.job.driver.enable		 dataproc:
dataproc.logging.stackdriver.job.yarn.container.enable		 Output del driver
client false (valore predefinito) true o false
  • Trasmesso in streaming al client
  • In Cloud Storage nella directory generata da Dataproc driverOutputResourceUri
  • Non nel logging
client true true o false
  • Trasmesso in streaming al client
  • In Cloud Storage nella directory generata da Dataproc driverOutputResourceUri
  • In Log: dataproc.job.driver nella risorsa job
cluster false (valore predefinito) falso
  • Non trasmesso in streaming al client
  • Non in Cloud Storage
  • In Logging yarn-userlogs nella risorsa cluster
cluster true true
  • Non trasmesso in streaming al client
  • Non in Cloud Storage
  • In Log: dataproc.job.yarn.container nella risorsa job

Log dell'esecutore Spark

Le tabelle seguenti elencano l'effetto di impostazioni di proprietà diverse sulla destinazione dei log dell'executor Spark.

dataproc:
dataproc.logging.stackdriver.job.yarn.container.enable		 Log dell'eseguitore
false (valore predefinito) In Log: yarn-userlogs nella risorsa cluster
true In Logging dataproc.job.yarn.container nella risorsa job

Job Spark inviati senza utilizzare l'API jobs Dataproc

Questa sezione elenca l'effetto di diverse impostazioni delle proprietà sulla destinazione dei log dei job Spark quando i job vengono inviati senza utilizzare l'API jobs Dataproc, ad esempio quando si invia un job direttamente su un nodo del cluster utilizzando spark-submit o quando si utilizza un Jupyter o un notebook Zeppelin. Questi job non hanno ID job o driver Dataproc.

Log del driver Spark

Le seguenti tabelle elencano l'effetto di diverse impostazioni delle proprietà sulla destinazione dei log del driver Spark per i job non inviati tramite l'API Dataproc jobs.

spark:
spark.submit.deployMode		 Output del driver
client
  • Trasmesso in streaming al client
  • Non in Cloud Storage
  • Non nel logging
cluster
  • Non trasmesso in streaming al client
  • Non in Cloud Storage
  • In Logging yarn-userlogs nella risorsa cluster

Log dell'esecutore Spark

Quando i job Spark non vengono inviati tramite l'API jobs Dataproc, i log dell'executor si trovano in Logging yarn-userlogs nella risorsa del cluster.

Visualizzare l'output del job

Puoi accedere all'output del job Dataproc nella console Google Cloud, nella CLI gcloud, in Cloud Storage o in Logging.

Console

Per visualizzare l'output del job, vai alla sezione Job di Dataproc del tuo progetto, quindi fai clic sull'ID job per visualizzare l'output del job.

Se il job è in esecuzione, l'output viene aggiornato periodicamente con nuovi contenuti.

Comando g-cloud

Quando invii un job con il comando gcloud dataproc jobs submit, l'output del job viene visualizzato nella console. Puoi "ricongiungere" l'output in un secondo momento, su un altro computer o in una nuova finestra passando l'ID del job al comando gcloud dataproc jobs wait. L'ID job è un GUID, come 5c1754a5-34f7-4553-b667-8a1199cb9cab. Ecco un esempio.

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

L'output del job viene archiviato in Cloud Storage nel bucket di staging o nel bucket specificato durante la creazione del cluster. Un link all'output del job in Cloud Storage è fornito nel campo Job.driverOutputResourceUri restituito da:

  • una richiesta all'API jobs.get.
  • un comando gcloud dataproc jobs describe job-id. 
    $ gcloud dataproc jobs describe spark-pi
...
driverOutputResourceUri: gs://dataproc-nnn/jobs/spark-pi/driveroutput
...

Logging

Consulta Log di Dataproc per informazioni su come visualizzare l'output dei job di Dataproc in Logging.