Dataproc Hub est un serveur JupyterHub personnalisé. Les administrateurs configurent et créent des instances Dataproc Hub pouvant générer des clusters Dataproc à utilisateur unique pour héberger des environnements de notebooks Jupyter et JupyterLab (voir Utiliser Dataproc Hub).
Lancez Notebooks pour plusieurs utilisateurs. Vous pouvez créer une instance Vertex AI Workbench compatible avec Dataproc ou installer le plug-in Dataproc JupyterLab sur une VM pour diffuser des notebooks auprès de plusieurs utilisateurs.
Objectifs
Définissez une configuration de cluster Dataproc (ou utilisez l'un des fichiers de configuration prédéfinis).
Définir les variables d'environnement de l'instance Dataproc Hub
Créer une instance Dataproc Hub.
Avant de commencer
Si vous ne l'avez pas déjà fait, créez un projet Google Cloud et un bucket Cloud Storage.
Configurer votre projet
- Connectez-vous à votre compte Google Cloud. Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits gratuits pour exécuter, tester et déployer des charges de travail.
-
Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.
-
Vérifiez que la facturation est activée pour votre projet Google Cloud.
-
Activer les API Dataproc, Compute Engine, and Cloud Storage.
- Installez Google Cloud CLI.
-
Pour initialiser gcloudCLI, exécutez la commande suivante :
gcloud init
-
Dans Google Cloud Console, sur la page de sélection du projet, sélectionnez ou créez un projet Google Cloud.
-
Vérifiez que la facturation est activée pour votre projet Google Cloud.
-
Activer les API Dataproc, Compute Engine, and Cloud Storage.
- Installez Google Cloud CLI.
-
Pour initialiser gcloudCLI, exécutez la commande suivante :
gcloud init
Créez un bucket Cloud Storage dans votre projet pour stocker les données utilisées dans ce tutoriel.
- Dans la console Google Cloud, accédez à la page Buckets Cloud Storage.
- Cliquez sur Créer un bucket.
- Sur la page Créer un bucket, saisissez les informations concernant votre bucket. Pour passer à l'étape suivante, cliquez sur Continuer.
- Pour nommer votre bucket, saisissez un nom qui répond aux exigences de dénomination des buckets.
-
Pour Choisir l'emplacement de stockage des données, procédez comme suit :
- Sélectionnez une option de type d'emplacement.
- Sélectionnez une option Location (Emplacement).
- Pour Choisir une classe de stockage par défaut pour vos données, sélectionnez une classe de stockage.
- Pour le champ Choisir comment contrôler l'accès aux objets, sélectionnez une option de Contrôle des accès.
- Sous Paramètres avancés (facultatif), choisissez une méthode de chiffrement, une règle de conservation ou des libellés de bucket.
- Cliquez sur Create (Créer).
Définir une configuration de cluster
Une instance Dataproc Hub crée un cluster à partir des valeurs de configuration contenues dans un fichier de configuration de cluster YAML.
Votre configuration du cluster peut spécifier n'importe quelle fonctionnalité ou composant disponible pour les clusters Dataproc (tels que le type de machine, les actions d'initialisation et les composants facultatifs). La version en images du cluster doit être 1.4.13 ou ultérieure. Toute tentative de génération d'un cluster avec une version en images inférieure à 1.4.13 entraînera une erreur et un échec.
Exemple de fichier de configuration de cluster YAML
clusterName: cluster-name config: softwareConfig: imageVersion: 2.2-ubuntu22 optionalComponents: - JUPYTER
Chaque configuration doit être enregistrée dans Cloud Storage. Vous pouvez créer et enregistrer plusieurs fichiers de configuration pour donner le choix aux utilisateurs lorsqu'ils utilisent Dataproc Hub pour créer leur environnement de notebook de cluster Dataproc.
Il existe deux façons de créer un fichier de configuration de cluster YAML :
Créer un fichier de configuration de cluster YAML à partir de la console
Exporter un fichier de configuration de cluster YAML à partir d'un cluster existant
Créer un fichier de configuration de cluster YAML à partir de la console
- Ouvrez la page Créer un cluster dans la console Google Cloud, puis sélectionnez et remplissez les champs pour spécifier le type de cluster que Dataproc Hub va générer pour les utilisateurs.
- Au bas du panneau de gauche, sélectionnez "Équivalent REST".
- Copiez le bloc JSON généré, en excluant la ligne de requête POST principale, puis collez le bloc JSON dans un convertisseur JSON-YAML en ligne (effectuez une recherche en ligne pour "Convert JSON to YAML").
- Copiez le fichier YAML converti dans un fichier cluster-config-filename.yaml local.
Exporter un fichier de configuration de cluster YAML à partir d'un cluster existant
- Créez un cluster correspondant à vos besoins.
- Exportez la configuration du cluster vers un fichier cluster-config-filename.yaml local.
gcloud dataproc clusters export cluster-name \ --destination cluster-config-filename.yaml \ --region region
Enregistrez le fichier de configuration YAML dans Cloud Storage.
Copiez votre fichier de configuration de cluster YAML local dans votre bucket Cloud Storage.
gsutil cp cluster-config-filename.yaml gs://bucket-name/
Définir les variables d'environnement de l'instance Dataproc Hub
L'administrateur peut définir les variables d'environnement hub répertoriées dans le tableau ci-dessous pour définir les attributs des clusters Dataproc qui seront générés par les utilisateurs du hub.
Variable | Description | Exemple |
---|---|---|
NOTEBOOKS_LOCATION | Bucket ou dossier de bucket Cloud Storage où sont conservés les notebooks utilisateur. Le préfixe "gs://" est facultatif. Valeur par défaut : le bucket de préproduction Dataproc. | gs://bucket-name/ |
DATAPROC_CONFIGS | Liste des chaînes des chemins d'accès Cloud Storage vers les fichiers de configuration de cluster YAML séparées par une virgule. Le préfixe "gs://" est facultatif. Valeur par défaut : gs://dataproc-spawner-dist/example-configs/ . Contient les paramètres example-cluster.yaml et example-single-node.yaml prédéfinis.
|
gs://cluster-config-filename.yaml |
DATAPROC_LOCATIONS_LIST | Suffixes de zone dans la région où se trouve l'instance Dataproc Hub. Les utilisateurs peuvent sélectionner l'une de ces zones comme zone dans laquelle leur cluster Dataproc sera généré. Valeur par défaut : "b". | l,c,j |
DATAPROC_DEFAULT_SUBNET | Sous-réseau sur lequel l'instance Dataproc Hub doit générer des clusters Dataproc. Valeur par défaut : le sous-réseau de l'instance Dataproc Hub. | https://www.googleapis.com/compute/v1/projects/project-id/regions/region/subnetworks/subnet-name |
DATAPROC_SERVICE_ACCOUNT | Compte de service dans lequel les VM Dataproc seront exécutées. Valeur par défaut : si cette valeur n'est pas définie, le compte de service Dataproc par défaut est utilisé. | service-account@project-id.iam.gserviceaccount.com |
SPAWNER_DEFAULT_URL | Indique si l'interface utilisateur Jupyter ou JupyterLab doit être affichée par défaut sur les clusters Dataproc générés. Valeur par défaut : "/lab". | "/" ou "/lab", respectivement pour Jupyter et JupyterLab. |
DATAPROC_ALLOW_CUSTOM_CLUSTERS | Permet d'autoriser ou non les utilisateurs à personnaliser leurs clusters Dataproc. Valeur par défaut : false. | "true" ou "false" |
DATAPROC_MACHINE_TYPES_LIST | Liste des types de machines que les utilisateurs sont autorisés à choisir pour leurs clusters Dataproc générés, si la personnalisation de cluster (DATAPROC_ALLOW_CUSTOM_CLUSTERS) est activée. Valeur par défaut : vide (tous les types de machines sont autorisés). | n1-standard-4,n1-standard-8,e2-standard-4,n1-highcpu-4 |
NOTEBOOKS_EXAMPLES_LOCATION | Chemin d'accès Cloud Storage au bucket de notebooks ou au dossier de bucket à télécharger dans le cluster Dataproc généré au démarrage du cluster. Valeur par défaut:vide. | gs://bucket-name/ |
Définir des variables d'environnement de hub
Il existe deux façons de définir des variables d'environnement hub :
Définir des variables d'environnement de hub à partir de la console
Définir des variables d'environnement hub dans un fichier texte
Définir les variables d'environnement du hub à partir de la console
Lorsque vous créez une instance Dataproc Hub dans l'onglet Notebooks gérés par l'utilisateur de la page Dataproc → Workbench de la console Google Cloud, vous pouvez cliquer sur le bouton Remplir pour ouvrir un formulaire Remplir Dataproc Hub qui vous permet de définir chaque variable d'environnement.
Définir des variables d'environnement hub dans un fichier texte
Créez le fichier. Vous pouvez utiliser un éditeur de texte pour définir des variables d'environnement d'instance Dataproc Hub dans un fichier local. Vous pouvez également créer le fichier en exécutant la commande suivante après avoir renseigné les valeurs d'espace réservé et modifié ou ajouté des variables et leurs valeurs.
cat <<EOF > environment-variables-file DATAPROC_CONFIGS=gs://bucket/cluster-config-filename.yaml NOTEBOOKS_LOCATION=gs://bucket/notebooks DATAPROC_LOCATIONS_LIST=b,c EOF
Enregistrez le fichier dans Cloud Storage. Copiez le fichier local de variables d'environnement de votre instance Dataproc Hub dans votre bucket Cloud Storage.
gsutil cp environment-variable-filename gs://bucket-name/folder-name/
Définir des rôles IAM (Identity and Access Management)
Dataproc Hub inclut les identités suivantes avec les fonctionnalités suivantes :
- Administrateur : crée une instance Dataproc Hub
- Utilisateur de données et du ML : accède à l'interface utilisateur de Dataproc Hub
- Compte de service Dataproc Hub : représente Dataproc Hub
- Compte de service Dataproc : représente le cluster Dataproc créé par Dataproc Hub.
Chaque identité nécessite des rôles ou des autorisations spécifiques pour effectuer les tâches qui lui sont associées. Le tableau ci-dessous récapitule les rôles et autorisations IAM requis par chaque identité.
Identité | Type | Rôle ou autorisation |
---|---|---|
Administrateur Dataproc Hub | Compte utilisateur ou de service | roles/notebooks.admin |
Utilisateur Dataproc Hub | Utilisateur | notebooks.instances.use, dataproc.clusters.use |
Dataproc Hub | Compte de service | roles/dataproc.hubAgent |
Dataproc | Compte de service | roles/dataproc.worker |
Créer une instance Dataproc Hub
Avant de commencer:Pour créer une instance Dataproc Hub à partir de la console Google Cloud, votre compte utilisateur doit disposer de l'autorisation
compute.instances.create
. En outre, le compte de service de l'instance, c'est-à-dire le compte de service Compute Engine par défaut ou le compte de service spécifié par l'utilisateur répertorié dans IAM et administration > Comptes de service (voir Compte de service de VM Dataproc), doit disposer de l'autorisationiam.serviceAccounts.actAs
.Accédez à la page Dataproc → Workbench dans la console Google Cloud, puis sélectionnez l'onglet Notebooks gérés par l'utilisateur.
Si ce n'est pas le cas, cliquez dans la zone Filtre, puis sélectionnez **Environnement:Dataproc Hub".
Cliquez sur Nouveau notebook → Dataproc Hub.
Sur la page Créer un notebook géré par l'utilisateur, fournissez les informations suivantes:
- Nom du notebook: nom de l'instance Dataproc Hub.
- Région : sélectionnez une région pour l'instance Dataproc Hub. Les clusters Dataproc générés par cette instance Dataproc Hub seront également créés dans cette région.
- Zone : sélectionnez une zone dans la région sélectionnée.
- Environnement:
Environment
: sélectionnezDataproc Hub
.Select a script to run after creation
(facultatif): vous pouvez insérer ou parcourir et sélectionner un script ou un exécutable d'action d'initialisation à exécuter sur le cluster Dataproc généré.Populate Dataproc Hub (optional)
: cliquez sur Remplir pour ouvrir un formulaire vous permettant de définir chacune des variables d'environnement du hub (consultez la section Définir des variables d'environnement d'instance Dataproc Hub pour obtenir une description de chaque variable). Dataproc utilise les valeurs par défaut pour toutes les variables d'environnement non définies. Vous pouvez également définir des paires Metadatakey:value
pour définir les variables d'environnement (voir l'élément suivant).Metadata
:- Si vous avez créé un fichier texte contenant les paramètres de vos variables d'environnement hub (consultez la section Définir des variables d'environnement hub), indiquez le nom du fichier en tant que
key
et son emplacement Cloud Storagegs://bucket-name/folder-name/environment-variable-filename
en tant quevalue
. Dataproc utilise les valeurs par défaut pour toutes les variables d'environnement non définies.
- Si vous avez créé un fichier texte contenant les paramètres de vos variables d'environnement hub (consultez la section Définir des variables d'environnement hub), indiquez le nom du fichier en tant que
- Configuration de la machine:
Machine Type
: sélectionnez le type de machine Compute Engine.- Définissez d'autres options de configuration pour la machine.
- Autres options :
- Vous pouvez développer, définir ou remplacer les valeurs par défaut dans les sections Disques, Mise en réseau, Autorisation, Sécurité et Mise à niveau de l'environnement et état du système.
- Cliquez sur Créer pour lancer l'instance Dataproc Hub.
Le lien Ouvrir JupyterLab pour l'instance Dataproc Hub devient actif après la création de l'instance. Les utilisateurs cliquent sur ce lien pour ouvrir la page du serveur JupyterHub afin de configurer et de créer un cluster Dataproc JupyterLab (consultez la section Utiliser Dataproc Hub).
Effectuer un nettoyage
Supprimer l'instance Dataproc Hub
- Pour supprimer votre instance Dataproc Hub :
gcloud compute instances delete --project=${PROJECT} ${INSTANCE_NAME}
Supprimer le bucket
- Pour supprimer le bucket Cloud Storage que vous avez créé à la section Avant de commencer, y compris les fichiers de données stockés dans le bucket :
gsutil -m rm -r gs://${BUCKET_NAME}