Flusso di lavoro con Cloud Functions

Obiettivo:

1. Creare un modello di flusso di lavoro Dataproc che esegue un job di conteggio parole
2. Crea una funzione Cloud di Node.js per attivare il flusso di lavoro wordcount quando un file viene aggiunto a Cloud Storage

I flussi di lavoro sono "fuoco e dimentica". Se non ci sono eccezioni quando viene inviata la funzione che attiva il flusso di lavoro, Dataproc eseguirà il flusso di lavoro fino al completamento. Non è necessario attendere il completamento del flusso di lavoro all'interno della funzione di attivazione.

Nota: poiché la funzione viene attivata aggiungendo un nuovo file a un bucket in Cloud Storage e poiché il programma binario di wordcount crea e genera nuovi file in Cloud Storage, per evitare la ricorsione (wordcount che elabora i file di output), questo tutorial utilizza bucket di input e di output separati.

Prima di iniziare

Se non lo hai già fatto, configura un progetto Google Cloud e due (2) bucket Cloud Storage.

Configura il 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. Nella console di Google Cloud Console, nella pagina del selettore dei progetti, seleziona o crea un progetto Google Cloud.

   Nota: se non prevedi di conservare le risorse che crei in questa procedura, crea un progetto invece di selezionarne uno esistente. Dopo aver completato questi passaggi, puoi eliminare il progetto e rimuovere tutte le risorse associate.

   Vai al selettore progetti

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

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

   Abilita le API

5. Installa Google Cloud CLI.

6. Per inizializzare l'interfaccia a riga di comando gcloud, esegui il comando seguente:

   gcloud init

7. Nella console di Google Cloud Console, nella pagina del selettore dei progetti, seleziona o crea un progetto Google Cloud.

   Nota: se non prevedi di conservare le risorse che crei in questa procedura, crea un progetto invece di selezionarne uno esistente. Dopo aver completato questi passaggi, puoi eliminare il progetto e rimuovere tutte le risorse associate.

   Vai al selettore progetti

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

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

   Abilita le API

10. Installa Google Cloud CLI.

11. Per inizializzare l'interfaccia a riga di comando gcloud, esegui il comando seguente:

    gcloud init

Crea o utilizza due (2) bucket Cloud Storage nel tuo progetto

Nel progetto avrai bisogno di due bucket Cloud Storage: uno per i file di input e uno per l'output.

1. Nella console, vai alla pagina Browser Cloud Storage.

   Vai al browser

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

Creare un modello di flusso di lavoro.

Copia ed esegui i comandi elencati di seguito in una finestra del terminale locale o in Cloud Shell per creare e definire un modello di flusso di lavoro.

Note:

• I comandi specificano la regione "us-central1". Puoi specificare un'altra regione o eliminare il flag --region se hai già eseguito gcloud config set compute/region per impostare la proprietà della regione.
• La sequenza "-- " (spazio trattino tratteggiato) passa argomenti al file jar. Il comando wordcount input_bucket output_dir eseguirà l'applicazione Wordcount del jar sui file di testo contenuti in input_bucket di Cloud Storage, quindi restituirà i file Wordcount a output_bucket. parametrizzerai l'argomento del bucket di input wordcount per consentire alla funzione di fornire questo argomento.

1. Crea il modello del flusso di lavoro.

   gcloud dataproc workflow-templates create wordcount-template \
       --region=us-central1
   

2. Aggiungi il job di conteggio parole al modello di flusso di lavoro.
   1. Specifica output-bucket-name prima di eseguire il comando (la funzione fornirà il bucket di input). Dopo aver inserito il nome del bucket di output, l'argomento del bucket di output dovrebbe essere il seguente: gs://your-output-bucket/wordcount-output".
   2. L'ID del passaggio "count" è obbligatorio e identifica il job hadoop aggiunto.

   gcloud dataproc workflow-templates add-job hadoop \
       --workflow-template=wordcount-template \
       --step-id=count \
       --jar=file:///usr/lib/hadoop-mapreduce/hadoop-mapreduce-examples.jar \
       --region=us-central1 \
       -- wordcount gs://input-bucket gs://output-bucket-name/wordcount-output
   

3. Utilizza un cluster gestito, a nodo singolo per eseguire il flusso di lavoro. Dataproc creerà il cluster, vi eseguirà il flusso di lavoro, quindi eliminerà il cluster al termine dell'esecuzione.

   gcloud dataproc workflow-templates set-managed-cluster wordcount-template \
       --cluster-name=wordcount \
       --single-node \
       --region=us-central1
   

4. Fai clic sul nome wordcount-template nella pagina Workflows di Dataproc nella console Google Cloud per aprire la pagina dei dettagli del modello di flusso di lavoro. Conferma gli attributi wordcount-template.

   

Parametrizzazione del modello di flusso di lavoro.

Parametrizza la variabile del bucket di input da passare al modello di flusso di lavoro.

1. Esporta il modello del flusso di lavoro in un file di testo wordcount.yaml per la parametrizzazione.

   gcloud dataproc workflow-templates export wordcount-template \
       --destination=wordcount.yaml \
       --region=us-central1
   

2. Utilizzando un editor di testo, apri wordcount.yaml, quindi aggiungi un blocco parameters alla fine del file YAML in modo che Cloud Storage INPUT_BUCKET_URI possa essere passato come args[1] al programma binario del conteggio delle parole quando viene attivato il flusso di lavoro.

   Di seguito è riportato un file YAML esportato di esempio. Per aggiornare il modello, puoi scegliere uno di questi due metodi:

   1. Copia e incolla l'intero file per sostituire il file wordcount.yaml esportato your-output_bucket con il nome del bucket di output OPPURE
   2. Copia e incolla solo la sezione parameters alla fine del file wordcount.yaml esportato.
   .

   jobs:
   - hadoopJob:
       args:
       - wordcount
       - gs://input-bucket
       - gs://your-output-bucket/wordcount-output
       mainJarFileUri: file:///usr/lib/hadoop-mapreduce/hadoop-mapreduce-examples.jar
     stepId: count
   placement:
     managedCluster:
       clusterName: wordcount
       config:
         softwareConfig:
           properties:
             dataproc:dataproc.allow.zero.workers: 'true'
   parameters:
   - name: INPUT_BUCKET_URI
     description: wordcount input bucket URI
     fields:
     - jobs['count'].hadoopJob.args[1]
   

3. Importa il file di testo wordcount.yaml con parametri. Digita "Y" quando ti viene chiesto di sovrascrivere il modello.

   gcloud dataproc workflow-templates import  wordcount-template \
       --source=wordcount.yaml \
       --region=us-central1
   

Crea una funzione Cloud Functions

1. Apri la pagina Cloud Functions nella console Google Cloud, quindi fai clic su CREA FUNZIONE.

2. Nella pagina Crea funzione, inserisci o seleziona le seguenti informazioni:

   1. Nome: wordword
   2. Memoria allocata: lascia la selezione predefinita.
   3. Trigger:
      • Cloud Storage
      • Tipo di evento: Finalizzazione/creazione
      • Bucket: seleziona il bucket di input (vedi Crea un bucket Cloud Storage nel progetto). Quando un file viene aggiunto a questo bucket, la funzione attiva il flusso di lavoro. Il flusso di lavoro eseguirà l'applicazione wordcount, che elaborerà tutti i file di testo nel bucket.

   4. Codice sorgente:

      • Editor in linea
      • Runtime: Node.js 8
      • Scheda INDEX.JS: sostituisci lo snippet di codice predefinito con il seguente codice, quindi modifica la riga const projectId in modo da fornire -your-project-id- (senza il carattere "-") iniziale o finale.

      const dataproc = require('@google-cloud/dataproc').v1;
      
      exports.startWorkflow = (data) => {
       const projectId = '-your-project-id-'
       const region = 'us-central1'
       const workflowTemplate = 'wordcount-template'
      
      const client = new dataproc.WorkflowTemplateServiceClient({
         apiEndpoint: `${region}-dataproc.googleapis.com`,
      });
      
      const file = data;
      console.log("Event: ", file);
      
      const inputBucketUri = `gs://${file.bucket}/${file.name}`;
      
      const request = {
        name: client.projectRegionWorkflowTemplatePath(projectId, region, workflowTemplate),
        parameters: {"INPUT_BUCKET_URI": inputBucketUri}
      };
      
      client.instantiateWorkflowTemplate(request)
        .then(responses => {
          console.log("Launched Dataproc Workflow:", responses[1]);
        })
        .catch(err => {
          console.error(err);
        });
      };
      

      • Scheda PACKAGE.JSON: sostituisci lo snippet di codice predefinito con il seguente codice.

      {
        "name": "dataproc-workflow",
        "version": "1.0.0",
        "dependencies":{ "@google-cloud/dataproc": ">=1.0.0"}
      }
      

      • Funzione da eseguire: Inserisci: "startWorkflow".

   5. Fai clic su CREA.

Testa la funzione

1. Copia il file pubblico rose.txt nel tuo bucket per attivare la funzione. Inserisci your-input-bucket-name (il bucket utilizzato per attivare la funzione) nel comando.

   gsutil cp gs://pub/shakespeare/rose.txt gs://your-input-bucket-name
   

2. Attendi 30 secondi, quindi esegui il comando seguente per verificare che la funzione sia stata completata correttamente.

   gcloud functions logs read wordcount
   

   ...
   Function execution took 1348 ms, finished with status: 'ok'
   

3. Per visualizzare i log delle funzioni dalla pagina dell'elenco Funzioni nella console Google Cloud, fai clic sul nome della funzione wordcount, quindi fai clic su VISUALIZZA LOG nella pagina Dettagli funzione.

   

4. Puoi visualizzare la cartella wordcount-output nel tuo bucket di output dalla pagina Browser Storage nella console Google Cloud.

   

   Nota: l'esecuzione del job di conteggio parole avrà esito negativo se esiste la cartella wordcount-output. Prima di eseguire nuovamente il flusso di lavoro, riattiva la funzione, elimina la cartella wordcount-output nel bucket di output. .

5. Una volta completato il flusso di lavoro, i dettagli del job rimangono nella console Google Cloud. Fai clic sul job count... indicato nella pagina Job di Dataproc per visualizzare i dettagli del job del flusso di lavoro.

   

Eseguire la pulizia

Al termine, il flusso di lavoro in questo tutorial elimina il cluster gestito. Per evitare costi ricorrenti, puoi eliminare altre risorse associate a questo tutorial.

Eliminazione di un progetto

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività in questo documento, quando lo elimini elimini anche qualsiasi altro lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella console Google Cloud, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

Eliminazione dei bucket Cloud Storage

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

   Vai al browser

2. Fai clic sulla casella di controllo relativa al bucket da eliminare.
3. Per eliminare il bucket, fai clic su Elimina, quindi segui le istruzioni.

Eliminazione del modello di flusso di lavoro

gcloud dataproc workflow-templates delete wordcount-template \
    --region=us-central1

Eliminazione della funzione Cloud Functions

Apri la pagina Cloud Functions nella console Google Cloud, seleziona la casella a sinistra della funzione wordcount, quindi fai clic su ELIMINA.

Passaggi successivi

• Vedi Panoramica dei modelli di flusso di lavoro di Dataproc
• Vedi Soluzioni di pianificazione dei flussi di lavoro