Configurar Dataproc Hub


Dataproc Hub es un servidor de JupyterHub personalizado. Los administradores configuran y crean instancias de Dataproc Hub que pueden generar clústeres de Dataproc de un solo usuario para alojar entornos de notebook de Jupyter y JupyterLab (consulta Usa Dataproc Hub).

Objetivos

  1. Define una configuración del clúster de Dataproc (o usa uno de los archivos de configuración predefinidos).

  2. Configura las variables de entorno de la instancia de Dataproc Hub.

  3. Crea una instancia de Dataproc Hub.

Antes de comenzar

Si aún no lo hiciste, crea un proyecto de Google Cloud y un bucket de Cloud Storage.

  1. Configura tu proyecto

    1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
    2. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

      Ir al selector de proyectos

    3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

    4. Habilita las API de Dataproc, Compute Engine, and Cloud Storage.

      Habilita las API

    5. Instala Google Cloud CLI.
    6. Para inicializar la CLI de gcloud, ejecuta el siguiente comando:

      gcloud init
    7. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

      Ir al selector de proyectos

    8. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

    9. Habilita las API de Dataproc, Compute Engine, and Cloud Storage.

      Habilita las API

    10. Instala Google Cloud CLI.
    11. Para inicializar la CLI de gcloud, ejecuta el siguiente comando:

      gcloud init

  2. Crea un bucket de Cloud Storage en tu proyecto para conservar los datos que se usan en este instructivo.

    1. En la consola de Google Cloud, ve a la página Buckets de Cloud Storage.

      Ir a la página Buckets

    2. Haga clic en Crear bucket.
    3. En la página Crear un bucket, ingresa la información de tu bucket. Para ir al paso siguiente, haz clic en Continuar.
    4. Haga clic en Crear.

Define una configuración de clústeres

Una instancia de Dataproc Hub crea un clúster a partir de los valores de configuración contenidos en un archivo de configuración de clúster YAML.

La configuración de tu clúster puede especificar cualquier característica o componente disponible para los clústeres de Dataproc (como el tipo de máquina, las acciones de inicialización y los componentes opcionales). La versión de imagen del clúster debe ser 1.4.13 o superior. Si intentas generar un clúster con una versión de imagen inferior a 1.4.13, se producirá un error y fallará.

Archivo YAML de configuración de clúster de muestra

clusterName: cluster-name
config:
  gceClusterConfig:
    metadata:
      'PIP_PACKAGES': 'google-cloud-core>=1.3.0 google-cloud-storage>=1.28.1'
  initializationActions:
  - executableFile: gs://dataproc-initialization-actions/python/pip-install.sh
  softwareConfig:
    imageVersion: 1.5-ubuntu18
    optionalComponents:
    - ANACONDA
    - JUPYTER

Cada configuración debe guardarse en Cloud Storage. Puedes crear y guardar varios archivos de configuración a fin de dar a los usuarios una opción cuando usen Dataproc Hub para crear su entorno de notebook de clúster de Dataproc.

Hay dos formas de crear un archivo de configuración de clúster YAML:

  1. Crea el archivo de configuración YAML del clúster desde la consola.

  2. Exporta un archivo de configuración YAML del clúster desde un clúster existente.

Crea el archivo de configuración YAML del clúster desde la consola

  1. Abre la página Crear un clúster en la consola de Google Cloud y, luego, selecciona y completa los campos a fin de especificar el tipo de clúster que Dataproc Hub generará para los usuarios.
    1. En la parte inferior del panel izquierdo, selecciona "REST equivalente".
    2. Copia el bloque JSON generado, sin incluir la línea de solicitud POST inicial; luego pega el bloque JSON en un convertidor JSON a YAML en línea (busca "Convertir JSON a YAML" en línea).
    3. Copia el archivo YAML convertido en un archivo cluster-config-filename.yaml local.

Exporta un archivo de configuración YAML del clúster desde un clúster existente

  1. Crea un clúster que coincida con tus requisitos.
  2. Exporta la configuración del clúster a un archivo cluster-config-filename.yaml local.
    gcloud dataproc clusters export cluster-name \
        --destination cluster-config-filename.yaml  \
        --region region
     

Guarda el archivo de configuración YAML en Cloud Storage

Copia el archivo de configuración YAML del clúster local en tu bucket de Cloud Storage.

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

Configura las variables de entorno de la instancia de Dataproc Hub

El administrador puede configurar las variables de entorno del concentrador que se enumeran en la tabla a continuación para establecer los atributos de los clústeres de Dataproc que generarán los usuarios del concentrador.

Variable Descripción Ejemplo
NOTEBOOKS_LOCATION La carpeta del bucket o el bucket de Cloud Storage que contiene los notebooks de usuario. El prefijo “gs://” es opcional. Predeterminado: el bucket de staging de Dataproc. gs://bucket-name/
DATAPROC_CONFIGS Una lista delimitada por comas de strings de la ruta de acceso de Cloud Storage a los archivos de configuración YAML del clúster. El prefijo “gs://” es opcional. Predeterminado: gs://dataproc-spawner-dist/example-configs/ que contiene los archivos example-cluster.yaml y example-single-node.yaml predefinidos. gs://cluster-config-filename.yaml
DATAPROC_LOCATIONS_LIST Los sufijos de zona en la región en la que se ubica la instancia de Dataproc Hub. Los usuarios pueden seleccionar una de estas zonas como la zona en la que se generará su clúster de Dataproc. Valor predeterminado: “b”. b,c,d
DATAPROC_DEFAULT_SUBNET Subred en la que la instancia de Dataproc Hub generará clústeres de Dataproc. Predeterminado: la subred de la instancia de Dataproc Hub. https://www.googleapis.com/compute/v1/projects/project-id/regions/region/subnetworks/subnet-name
DATAPROC_SERVICE_ACCOUNT Cuenta de servicio en la que se ejecutarán las VM de Dataproc. Predeterminado: si no está configurado, se usa la cuenta de servicio predeterminada de Dataproc. service-account@project-id.iam.gserviceaccount.com
SPAWNER_DEFAULT_URL Establece si se muestra de forma predeterminada la IU de Jupyter o JupyterLab en los clústeres generados de Dataproc. Predeterminado: “/lab”. “/” o “/lab”, para Jupyter o JupyterLab, respectivamente.
DATAPROC_ALLOW_CUSTOM_CLUSTERS Permite o no que los usuarios personalicen sus clústeres de Dataproc. Valor predeterminado: false. “true” o “false”
DATAPROC_MACHINE_TYPES_LIST Lista de tipos de máquinas que los usuarios pueden elegir para sus clústeres de Dataproc generados, si la personalización del clúster (DATAPROC_ALLOW_CUSTOM_CLUSTERS) está habilitada. Predeterminado: vacío (se permiten todos los tipos de máquina). n1-standard-4,n1-standard-8,e2-standard-4,n1-highcpu-4
NOTEBOOKS_EXAMPLES_LOCATION Ruta de acceso de Cloud Storage al bucket de notebooks o a la carpeta del bucket que se descargarán en el clúster de Dataproc generado cuando se inicie. Predeterminado: vacío. gs://bucket-name/

Configura las variables de entorno del concentrador

Hay dos formas de configurar las variables de entorno del concentrador:

  1. Configura las variables de entorno del concentrador desde la consola

  2. Configura las variables de entorno del concentrador en un archivo de texto

Configura las variables de entorno del concentrador desde la consola

Cuando creas una instancia de Dataproc Hub desde la pestaña Notebooks administrados por el usuario en la página Dataproc→Workbench de la consola de Google Cloud, puedes hacer clic en el botón Propagar para abrir un formulario Propagar en Dataproc Hub que te permite configurar cada variable de entorno.

Configura las variables de entorno del concentrador en un archivo de texto

  1. Crea el archivo. Puedes usar un editor de texto para configurar variables de entorno de la instancia de Dataproc Hub en un archivo local. También puedes crear el archivo si ejecutas el siguiente comando después de completar los valores de marcador de posición y cambiar o agregar las variables y sus valores.

    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. Guarda el archivo en Cloud Storage. Copia las variables de entorno de la instancia de Dataproc Hub local en tu bucket de Cloud Storage.

    gsutil cp environment-variable-filename gs://bucket-name/folder-name/

Configura Identity and Access Management (IAM)

Dataproc Hub incluye las siguientes identidades con las siguientes capacidades:

  • Administrador: crea una instancia de Dataproc Hub
  • Usuario de datos y AA: accede a la IU de Dataproc Hub
  • Cuenta de servicio de Dataproc Hub: representa a Dataproc Hub
  • Cuenta de servicio de Dataproc: representa el clúster de Dataproc que crea Dataproc Hub.

Cada identidad requiere funciones o permisos específicos para realizar sus tareas asociadas. En la siguiente tabla, se resumen las funciones y los permisos de IAM que requiere cada identidad.

Identidad Tipo Función o permiso
Administrador de Dataproc Hub Cuenta de servicio o usuario roles/notebooks.admin
Usuario de Dataproc Hub Usuario notebooks.instances.use, dataproc.clusters.use
Dataproc Hub Cuenta de servicio roles/dataproc.hubAgent
Dataproc Cuenta de servicio roles/dataproc.worker

Crea una instancia de Dataproc Hub

  1. Antes de comenzar: Para crear una instancia de Dataproc Hub desde la consola de Google Cloud, tu cuenta de usuario debe tener el permiso compute.instances.create. Además, la cuenta de servicio de la instancia: la cuenta de servicio predeterminada de Compute Engine o la cuenta de servicio especificada por el usuario en IAM y administración > Cuentas de servicio (consulta Cuenta de servicio de VM de Dataproc), debe tener el permiso iam.serviceAccounts.actAs.

  2. Ve a la página Dataproc→Workbench en la consola de Google Cloud y, luego, selecciona la pestaña Notebooks administrados por el usuario.

  3. Si no está preseleccionada como filtro, haz clic en el cuadro Filtro y, luego, selecciona **Entorno:Dataproc Hub"".

  4. Haz clic en Nuevo notebook→Dataproc Hub.

  5. En la página Crear un notebook administrado por el usuario, proporciona la siguiente información:

    1. Nombre del notebook: Nombre de la instancia de Dataproc Hub.
    2. Región: Selecciona una región para la instancia de Dataproc Hub. Los clústeres de Dataproc generados por esta instancia de Dataproc Hub también se crearán en esta región.
    3. Zona: selecciona una zona dentro de la región seleccionada.
    4. Entorno:
      1. Environment: Selecciona Dataproc Hub.
      2. Select a script to run after creation (opcional): Puedes insertar o explorar y seleccionar una secuencia de comandos o un ejecutable de acción de inicialización para ejecutar en el clúster de Dataproc generado.
      3. Populate Dataproc Hub (optional): Haz clic en Propagar para abrir un formulario que te permita configurar cada una de las variables de entorno del concentrador (consulta Configura variables de entorno de la instancia de Dataproc Hub para obtener una descripción de cada variable). Dataproc usa valores predeterminados para cualquier variable de entorno no establecida. Como alternativa, puedes establecer pares Metadata key:value para establecer variables de entorno (consulta el siguiente elemento).
      4. Metadata:
        1. Si creaste un archivo de texto que contiene la configuración de la variable de entorno de concentrador (consulta Configura variables de entorno de concentrador), proporciona el nombre del archivo como key y la gs://bucket-name/folder-name/environment-variable-filename ubicación de Cloud Storage del archivo como value. Dataproc usa valores predeterminados para cualquier variable de entorno no establecida.
    5. Configuración de la máquina:
      1. Machine Type: Selecciona el tipo de máquina de Compute Engine.
      2. Establece otras opciones de configuración de la máquina.
    6. Otras opciones:
      1. Puedes expandir y configurar o reemplazar los valores predeterminados en las secciones Discos, Herramientas de redes, Permiso, Seguridad y Actualización del entorno y estado del sistema.
    7. Haz clic en Crear para iniciar la instancia de Dataproc Hub.
  6. El vínculo Abrir JupyterLab para la instancia de Dataproc Hub se activa una vez que se crea la instancia. Los usuarios hacen clic en este vínculo para abrir la página del servidor de JupyterHub a fin de configurar y crear un clúster de JupyterLab de Dataproc (consulta Usa Dataproc Hub).

Limpia

Borra la instancia de Dataproc Hub

  • Para borrar tu instancia de Dataproc Hub, haz lo siguiente:
    gcloud compute instances delete --project=${PROJECT} ${INSTANCE_NAME}
    

Borra el bucket

  • Para borrar el bucket de Cloud Storage que creaste en la sección Antes de comenzar, incluidos los archivos de datos almacenados en el bucket, haz lo siguiente:
    gsutil -m rm -r gs://${BUCKET_NAME}
    

¿Qué sigue?