Configurazione di Dataproc Hub

---

Dataproc Hub e I blocchi note gestiti dall'utente di Vertex AI Workbench ritirato. Il 30 gennaio 2025, il supporto per i blocchi note gestiti dall'utente terminerà e sarà possibile creare istanze di blocchi note gestiti dall'utente verrà rimosso. Per soluzioni di blocco note alternative su Google Cloud, consulta:

• Installa il componente Jupyter sul cluster Dataproc.
• Crea abilitato per Dataproc Istanza di Vertex AI Workbench.

Dataproc Hub è un server JupyterHub personalizzato. Gli amministratori configurano e creano istanze Dataproc Hub che possono generare utenti singoli. Cluster Dataproc per ospitare ambienti di blocchi note Jupyter e JupyterLab (vedi Utilizzo di Dataproc Hub).

Avvia Notebooks per più utenti. Puoi creare un cluster abilitato per Dataproc Istanza Vertex AI Workbench o installa il plug-in JupyterLab di Dataproc su una VM per distribuire i blocchi note a più utenti.

Obiettivi

1. Definisci una configurazione del cluster Dataproc (o utilizzane una dei file di configurazione predefiniti).

2. Imposta le variabili di ambiente dell'istanza Dataproc Hub.

3. Creare un'istanza Dataproc Hub.

Prima di iniziare

Se non l'hai ancora fatto, crea un progetto Google Cloud e un bucket Cloud Storage.

1. Configurazione del progetto

   1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

   2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

      Go to project selector

   3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

   4. Abilita le API Dataproc, Compute Engine, and Cloud Storage.

      Abilita le API

   5. Install the Google Cloud CLI.

   6. To initialize the gcloud CLI, run the following command:

      gcloud init

   7. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

      Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

      Go to project selector

   8. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

   9. Abilita le API Dataproc, Compute Engine, and Cloud Storage.

      Abilita le API

   10. Install the Google Cloud CLI.

   11. To initialize the gcloud CLI, run the following command:

       gcloud init

2. Creazione di un bucket Cloud Storage del progetto per conservare i dati usati in questo tutorial.

   1. Nella console Google Cloud, vai alla pagina Bucket di Cloud Storage.

      Vai alla pagina Bucket

   2. Fai clic su Crea bucket.
   3. Nella pagina Crea un bucket, inserisci le informazioni del bucket. Per andare al passaggio successivo, fai clic su Continua.
      • In Assegna un nome al bucket, inserisci un nome che soddisfi i requisiti di denominazione dei bucket.
      • Per Scegli dove archiviare i tuoi dati, segui questi passaggi:
        • Seleziona un'opzione Tipo di località.
        • Seleziona un'opzione Località.
      • In Scegli una classe di archiviazione predefinita per i dati, seleziona una classe di archiviazione.
      • Per Scegli come controllare l'accesso agli oggetti, seleziona un'opzione Controllo dell'accesso.
      • In Impostazioni avanzate (facoltative), specifica un metodo di crittografia, un criterio di conservazione o le etichette dei bucket.
   4. Fai clic su Crea.

Definisci una configurazione del cluster

Un'istanza Dataproc Hub crea un cluster dai valori di configurazione contenuti in un file di configurazione del cluster YAML.

Configurazioni di cluster predefinite: Puoi utilizzare i seguenti file di configurazione predefiniti che si trovano in Cloud Storage:

• Configurazione example-cluster: configura un componente Jupyter standard in un cluster con un master e due nodi worker
• Configurazione example-single-node: configura un componente Jupyter un cluster con un nodo

Per visualizzare questi file di configurazione pubblici di Cloud Storage, esegui:

gcloud storage cat gs://dataproc-spawner-dist/example-configs/example-cluster.yaml
gcloud storage cat gs://dataproc-spawner-dist/example-configs/example-single-node.yaml

Crea un hub per la guida rapida. Per creare un hub utilizzando configurazioni di cluster predefinite, passa Crea un Dataproc Hub in esecuzione. La località di Cloud Storage le configurazioni cluster predefinite elencate sopra sono il valore predefinito Campo della variabile di ambiente DATAPROC_CONFIGS.

La configurazione del cluster può specificare qualsiasi funzionalità o componente disponibile ai cluster Dataproc (come tipo di macchina, inizializzazione azioni e componenti facoltativi). La versione dell'immagine del cluster deve essere 1.4.13 o versioni successive. Tentativo di generazione di un cluster con una versione dell'immagine precedente 1.4.13 causerà un errore e non riuscirà.

Nota: gli amministratori possono consentire agli utenti di eseguire l'override di parte della configurazione predefinita del cluster parametri. Per ulteriori informazioni, vedi DATAPROC_ALLOW_CUSTOM_CLUSTERS in Impostare i valori di ambiente dell'istanza Dataproc Hub.

Esempio di file di configurazione del cluster YAML

clusterName: cluster-name
config:
  softwareConfig:
    imageVersion: 2.2-ubuntu22
    optionalComponents:
    - JUPYTER

Ogni configurazione deve essere salvata in Cloud Storage. Puoi creare e salvare più file di configurazione agli utenti una scelta quando utilizza Dataproc Hub per creare l'ambiente di blocco note del cluster Dataproc.

Esistono due modi per creare un file di configurazione del cluster YAML:

1. Crea il file di configurazione del cluster YAML dalla console

2. Esportare un file di configurazione del cluster YAML da un cluster esistente

crea il file di configurazione del cluster YAML dalla console

1. Apri la pagina Crea un cluster nella console Google Cloud, quindi seleziona e compila i campi e specificare il tipo di cluster che Dataproc Hub mostrerà per gli utenti.
   Viene eseguito l'override delle impostazioni di regione e zona quando il cluster dell'utente è stato generato: la regione del cluster generato sarà la regione in cui si trova Dataproc Hub e l'utente selezionerà una zona all'interno di questa regione.
   1. Nella parte inferiore del riquadro a sinistra, seleziona "REST equivalente".
   2. Copia il blocco JSON generato, escludendo la riga di richiesta POST principale. quindi incolla il blocco JSON in un file JSON-to-YAML online convertitore (cerca online "Converti JSON in YAML").
      Alcuni convertitori da JSON a YAML generano una prima riga contenente "---". L'inclusione di questa riga nel file YAML è facoltativa.
   3. Copia il file YAML convertito in un file cluster-config-filename.yaml locale.

Esporta un file di configurazione di cluster YAML da un cluster esistente

1. Crea un cluster corrispondente i tuoi requisiti.
2. Esporta la configurazione del cluster in un file cluster-config-filename.yaml locale.

   gcloud dataproc clusters export cluster-name \
       --destination cluster-config-filename.yaml  \
       --region region
    

Salva il file di configurazione YAML in Cloud Storage

Copia il file di configurazione del cluster YAML locale nel tuo nel bucket Cloud Storage.

gcloud storage cp cluster-config-filename.yaml gs://bucket-name/

Impostare le variabili di ambiente dell'istanza Dataproc Hub

L'amministratore può impostare le variabili di ambiente hub elencate nella tabella seguente. per impostare gli attributi dei cluster Dataproc che verranno generate dagli utenti dell'hub.

Nota: se le variabili di ambiente hub non sono impostate, Dataproc utilizzeranno i valori predefiniti, inclusa l'impostazione DATAPROC_CONFIGS alla posizione Cloud Storage delle configurazioni dei cluster predefinite (vedi Definisci una configurazione del cluster).

Variabile	Descrizione	Esempio
NOTEBOOKS_LOCATION	Bucket o cartella bucket Cloud Storage contenente i blocchi note dell'utente. La Il prefisso "gs://" è facoltativo. Predefinito: Bucket gestione temporanea Dataproc.	gs://bucket-name/
DATAPROC_CONFIGS	Elenco delimitato da virgole di stringhe dei percorsi Cloud Storage verso File di configurazione dei cluster YAML. "gs://" è facoltativo. Predefinita: gs://dataproc-spawner-dist/example-configs/. che contiene gli elementi predefiniti example-cluster.yaml e example-single-node.yaml.	gs://cluster-config-filename.yaml
DATAPROC_LOCATIONS_LIST	Suffissi di zona nella regione in cui l'istanza Dataproc Hub in cui viene localizzato. Gli utenti possono selezionare una di queste zone come zona in cui Verrà generato il cluster Dataproc. Predefinito: "b".	b,c,d
DATAPROC_DEFAULT_SUBNET	Subnet da cui l'istanza Dataproc Hub genererà Dataproc cluster. Predefinito:la subnet dell'istanza Dataproc Hub.	https://www.googleapis.com/compute/v1/projects/project-id/regions/region/subnetworks/subnet-name
DATAPROC_SERVICE_ACCOUNT	Account di servizio su cui verranno eseguite le VM Dataproc. Predefinito:se non viene configurato, account di servizio Dataproc predefinito .	[e-mail]
SPAWNER_DEFAULT_URL	Indica se mostrare la UI di Jupyter o JupyterLab al momento della riproduzione di cluster Dataproc per impostazione predefinita. Predefinito: "/lab".	"/" o "/lab", rispettivamente per Jupyter o JupyterLab.
DATAPROC_ALLOW_CUSTOM_CLUSTERS	Specifica se consentire agli utenti di personalizzare i cluster Dataproc. Predefinito:falso.	"vero" o "false"
DATAPROC_MACHINE_TYPES_LIST	Elenco dei tipi di macchina che gli utenti possono scegliere per il proprio parto Cluster Dataproc, se la personalizzazione del cluster (DATAPROC_ALLOW_CUSTOM_CLUSTERS) è abilitato. Predefinito:vuoto (sono consentiti tutti i tipi di macchina).	n1-standard-4,n1-standard-8,e2-standard-4,n1-highcpu-4
NOTEBOOKS_EXAMPLES_LOCATION	Percorso Cloud Storage del bucket o della cartella del bucket scaricato nel cluster Dataproc generato all'avvio del cluster. Predefinito:vuoto.	gs://bucket-name/

Impostazione delle variabili di ambiente dell'hub

Esistono due modi per impostare le variabili di ambiente hub:

1. Impostare le variabili di ambiente hub dalla console

2. Impostare le variabili di ambiente hub in un file di testo

Imposta le variabili di ambiente hub dalla console

Quando crei un'istanza Dataproc Hub dalla scheda Blocchi note gestiti dall'utente nella Dataproc→Workbench nella console Google Cloud, puoi fare clic sul pulsante Compila per aprire un modulo Compila Dataproc Hub che consente di impostare ogni variabile di ambiente.

Impostare le variabili di ambiente hub in un file di testo

1. Crea il file. Puoi utilizzare un editor di testo per impostare Variabili di ambiente dell'istanza Dataproc Hub in un file locale. In alternativa, puoi creare il file eseguendo questo comando dopo aver compilato i valori segnaposto e modificato o aggiunto le variabili e i relativi valori.

   cat <<EOF > environment-variables-file
   DATAPROC_CONFIGS=gs://bucket/cluster-config-filename.yaml
   NOTEBOOKS_LOCATION=gs://bucket/notebooks
   DATAPROC_LOCATIONS_LIST=b,c
   EOF
   

2. Salva il file in Cloud Storage. Copia il tuo indirizzo Variabili di ambiente dell'istanza Dataproc Hub nel tuo bucket Cloud Storage.

   gcloud storage cp environment-variable-filename gs://bucket-name/folder-name/
   

Impostare i ruoli IAM (Identity and Access Management)

Dataproc Hub include le seguenti identità con le seguenti funzionalità:

• Amministratore: crea un'istanza Dataproc Hub
• Utente di dati e ML: accede all'interfaccia utente di Dataproc Hub
• Account di servizio Dataproc Hub: rappresenta Dataproc Hub
• Account di servizio Dataproc: rappresenta il cluster Dataproc che Creazione di Dataproc Hub.

Ogni identità richiede autorizzazioni o ruoli specifici per eseguire le relative attività di machine learning. La tabella seguente riassume i ruoli e le autorizzazioni IAM richiesti da ogni e identità di base.

Identità	Tipo	Ruolo o autorizzazione
Amministratore Dataproc Hub	Account utente o di servizio	roles/notebooks.admin
Utente Dataproc Hub	Utente	notebooks.instances.use, dataproc.clusters.use
Dataproc Hub	Account di servizio	roles/dataproc.hubAgent
Dataproc	Account di servizio	roles/dataproc.worker

Per impostazione predefinita, l'istanza Dataproc Hub e i nodi dei cluster Dataproc vengono eseguiti come progetto account di servizio Compute Engine predefinito.

Crea un'istanza Dataproc Hub

1. Prima di iniziare: per creare un'istanza Dataproc Hub dalla console Google Cloud, l'account utente deve avere Autorizzazione compute.instances.create. Inoltre, l'account di servizio l'account di servizio predefinito all'account di servizio specificato dall'utente IAM e amministratore > Account di servizio (vedi Account di servizio VM Dataproc), deve avere iam.serviceAccounts.actAs autorizzazione.

2. Vai alla sezione Dataproc→Workbench nella console Google Cloud, poi seleziona Blocchi note gestiti dall'utente .

3. Se non è preselezionato come filtro, fai clic nella casella Filtro, quindi seleziona **Ambiente:hub Dataproc"".

4. Fai clic su Nuovo blocco note→Dataproc Hub.

5. Nella pagina Crea un blocco note gestito dall'utente, fornisci le seguenti informazioni:

   1. Nome blocco note: nome dell'istanza Dataproc Hub.
   2. Regione: seleziona una regione. per l'istanza Dataproc Hub. Dataproc anche i cluster generati da questa istanza Dataproc Hub creato in questa regione.
      Per un rendimento ottimale, seleziona un'area geografica regione più vicina.
   3. Zona: seleziona una zona all'interno della regione selezionata.
   4. Ambiente:
      1. Environment: seleziona Dataproc Hub.
      2. (Facoltativo) Select a script to run after creation: puoi inserire o sfoglia e seleziona un azione di inizializzazione eseguibile o eseguibile per l'esecuzione sul cluster Dataproc generato.
      3. Populate Dataproc Hub (optional): fai clic su Compila per aprire un modulo di impostare ognuna delle variabili di ambiente dell'hub (vedi Impostare le variabili di ambiente dell'istanza Dataproc Hub per una descrizione di ciascuna variabile). Dataproc utilizza valori predefiniti per tutte le variabili di ambiente non impostate. In alternativa, puoi impostare coppie di metadati key:value per impostare le variabili di ambiente (vedi l'elemento successivo).
      4. Metadata:
         1. Se hai creato un file di testo contiene le impostazioni variabile di ambiente hub (vedi l'impostazione delle variabili di ambiente hub), fornisci il nome del file come key e gs://bucket-name/folder-name/environment-variable-filename Percorso Cloud Storage del file come value. Dataproc utilizza i valori predefiniti per tutti i casi variabili di ambiente.
   5. Configurazione macchina:
      1. Machine Type: seleziona il tipo di macchina di Compute Engine.
      2. Imposta altre opzioni di configurazione della macchina.
   6. Altre opzioni:
      1. Puoi espandere e impostare o sostituire valori predefiniti in Dischi, Networking, Autorizzazioni, Sicurezza, Upgrade dell'ambiente e integrità del sistema sezioni.
   7. Fai clic su Crea per avviare l'istanza Dataproc Hub.

6. Il link Apri JupyterLab per l'istanza Dataproc Hub diventa e attivi dopo la creazione dell'istanza. Gli utenti fanno clic su questo link per aprire Pagina server JupyterHub per configurare e creare un JupyterLab JupyterLab (vedi Utilizzare Dataproc Hub).

Esegui la pulizia

Elimina l'istanza Dataproc Hub

• Per eliminare l'istanza Dataproc Hub:

  gcloud compute instances delete --project=${PROJECT} ${INSTANCE_NAME}
  

Elimina il bucket

• Per eliminare il bucket Cloud Storage creato Prima di iniziare, inclusi i file di dati archiviati nel bucket:

  gcloud storage rm gs://${BUCKET_NAME} --recursive
  

Passaggi successivi

• Utilizzo di Dataproc Hub