Utilizzo delle librerie client di Cloud per Python

Questo tutorial include una procedura dettagliata di Cloud Shell che utilizza le librerie client di Google Cloud per Python per chiamare in modo programmatico le API gRPC Dataproc per creare un cluster e inviare un job al cluster.

Le seguenti sezioni spiegano il funzionamento del codice di procedura dettagliata contenuto nel repository GitHub GoogleCloudPlatform/python-dataproc.

Esegui la procedura dettagliata di Cloud Shell

Fai clic su Apri in Cloud Shell per eseguire la procedura dettagliata.

Apri in Cloud Shell

Comprendere il codice

Credenziali predefinite dell'applicazione

La procedura dettagliata Cloud Shell di questo tutorial fornisce l'autenticazione utilizzando le credenziali del progetto Google Cloud. Quando esegui il codice in locale, è consigliabile utilizzare le credenziali dell'account di servizio per autenticare il codice.

Crea un cluster Dataproc

Per creare il cluster vengono impostati i seguenti valori:

  • Il progetto in cui verrà creato il cluster
  • La regione in cui verrà creato il cluster
  • Il nome del cluster
  • La configurazione del cluster, che specifica un master e due worker principali

Le impostazioni di configurazione predefinite vengono utilizzate per le impostazioni del cluster rimanenti. Puoi eseguire l'override delle impostazioni di configurazione del cluster predefinite. Ad esempio, puoi aggiungere VM secondarie (predefinito = 0) o specificare una rete VPC non predefinita per il cluster. Per ulteriori informazioni, consulta CreateCluster.

dataproc/snippets/submit_job_to_cluster.py 
def quickstart(project_id, region, cluster_name, gcs_bucket, pyspark_file):
    # Create the cluster client.
    cluster_client = dataproc_v1.ClusterControllerClient(
        client_options={"api_endpoint": f"{region}-dataproc.googleapis.com:443"}
    )

    # Create the cluster config.
    cluster = {
        "project_id": project_id,
        "cluster_name": cluster_name,
        "config": {
            "master_config": {"num_instances": 1, "machine_type_uri": "n1-standard-2"},
            "worker_config": {"num_instances": 2, "machine_type_uri": "n1-standard-2"},
        },
    }

    # Create the cluster.
    operation = cluster_client.create_cluster(
        request={"project_id": project_id, "region": region, "cluster": cluster}
    )
    result = operation.result()

    print(f"Cluster created successfully: {result.cluster_name}")

Invia un job

Per inviare il job, vengono impostati i seguenti valori:

  • Il progetto in cui verrà creato il cluster
  • La regione in cui verrà creato il cluster
  • La configurazione del job, che specifica il nome del cluster e il percorso file (URI) di Cloud Storage del job PySpark

Per ulteriori informazioni, consulta la pagina SubmitJob.

dataproc/snippets/submit_job_to_cluster.py 
# Create the job client.
job_client = dataproc_v1.JobControllerClient(
    client_options={"api_endpoint": f"{region}-dataproc.googleapis.com:443"}
)

# Create the job config.
job = {
    "placement": {"cluster_name": cluster_name},
    "pyspark_job": {"main_python_file_uri": f"gs://{gcs_bucket}/{spark_filename}"},
}

operation = job_client.submit_job_as_operation(
    request={"project_id": project_id, "region": region, "job": job}
)
response = operation.result()

# Dataproc job output is saved to the Cloud Storage bucket
# allocated to the job. Use regex to obtain the bucket and blob info.
matches = re.match("gs://(.*?)/(.*)", response.driver_output_resource_uri)

output = (
    storage.Client()
    .get_bucket(matches.group(1))
    .blob(f"{matches.group(2)}.000000000")
    .download_as_bytes().decode("utf-8")
)

print(f"Job finished successfully: {output}\r\n")

Eliminare il cluster

I valori seguenti sono impostati per eliminare il cluster:

  • Il progetto in cui verrà creato il cluster
  • La regione in cui verrà creato il cluster
  • Il nome del cluster

Per scoprire di più, consulta la sezione DeleteCluster.

dataproc/snippets/submit_job_to_cluster.py 
# Delete the cluster once the job has terminated.
operation = cluster_client.delete_cluster(
    request={
        "project_id": project_id,
        "region": region,
        "cluster_name": cluster_name,
    }
)
operation.result()

print(f"Cluster {cluster_name} successfully deleted.")