Esegui carichi di lavoro Managed Service for Apache Spark con Managed Airflow

Managed Airflow (terza generazione) | Managed Airflow (seconda generazione) | Managed Airflow (prima generazione legacy)

Questa pagina descrive come utilizzare Managed Airflow (seconda generazione) per eseguire i workload di Managed Service for Apache Spark su Google Cloud.

Gli esempi nelle sezioni seguenti mostrano come utilizzare gli operatori per la gestione dei workload batch di Managed Service for Apache Spark. Questi operatori vengono utilizzati nei DAG che creano, eliminano, elencano e recuperano un workload batch di Managed Service for Apache Spark:

• Crea DAG per gli operatori che funzionano con i workload batch di Managed Service for Apache Spark:

  • DataprocCreateBatchOperator
  • DataprocDeleteBatchOperator
  • DataprocListBatchesOperator
  • DataprocGetBatchOperator

• Crea DAG che utilizzano container personalizzati e Dataproc Metastore.

• Configura il server di cronologia permanente per questi DAG.

Prima di iniziare

1. Abilita l'API Dataproc:

   Console

   Abilita l'API Managed Service for Apache Spark.

   Ruoli richiesti per abilitare le API

   Per abilitare le API, devi disporre del ruolo IAM Amministratore utilizzo servizi (roles/serviceusage.serviceUsageAdmin), che contiene l'autorizzazione serviceusage.services.enable. Scopri come concedere i ruoli.

   Abilitare l'API

   gcloud

   Abilita l'API Managed Service for Apache Spark:

   Ruoli richiesti per abilitare le API

   Per abilitare le API, devi disporre del ruolo IAM Amministratore utilizzo servizi (roles/serviceusage.serviceUsageAdmin), che contiene l' serviceusage.services.enable autorizzazione. Scopri come concedere i ruoli.

   gcloud services enable dataproc.googleapis.com

2. Seleziona la località del file del workload batch. Puoi utilizzare una delle seguenti opzioni:

   • Crea un bucket Cloud Storage che archivia questo file.
   • Utilizza il bucket del tuo ambiente. Poiché non devi sincronizzare questo file con Airflow, puoi creare una sottocartella separata al di fuori delle cartelle /dags o /data. Ad esempio, /batches.
   • Utilizza un bucket esistente.

Configurare i file e le variabili Airflow

Questa sezione mostra come configurare i file e le variabili Airflow per questo tutorial.

Caricare un file di workload ML di Managed Service for Apache Spark in un bucket

Il workload in questo tutorial esegue uno script PySpark:

1. Salva qualsiasi script PySpark in un file locale denominato spark-job.py. Ad esempio, puoi utilizzare lo script PySpark di esempio.

2. Carica il file nella località selezionata in Prima di iniziare.

Impostare le variabili Airflow

Gli esempi nelle sezioni seguenti utilizzano le variabili Airflow. Imposta i valori di queste variabili in Airflow, quindi il codice DAG può accedere a questi valori.

Gli esempi in questo tutorial utilizzano le seguenti variabili Airflow. Puoi impostarle in base alle esigenze, a seconda dell'esempio che utilizzi.

Imposta le seguenti variabili Airflow da utilizzare nel codice DAG:

• project_id: ID progetto.
• bucket_name: URI di un bucket in cui si trova il file Python principale del workload (spark-job.py). Hai selezionato questa località in Prima di iniziare.
• phs_cluster: nome del cluster del server di cronologia permanente. Imposta questa variabile quando crei un server di cronologia permanente.
• image_name: nome e tag dell'immagine container personalizzata (image:tag). Imposta questa variabile quando utilizzi l'immagine container personalizzata con DataprocCreateBatchOperator.
• metastore_cluster: nome del servizio Dataproc Metastore. Imposta questa variabile quando utilizzi il servizio Dataproc Metastore con DataprocCreateBatchOperator.
• region_name: regione in cui si trova il servizio Dataproc Metastore. Imposta questa variabile quando utilizzi il servizio Dataproc Metastore con DataprocCreateBatchOperator.

Utilizzare la Google Cloud console e l'UI di Airflow per impostare ogni variabile Airflow

1. Nella Google Cloud console, vai alla pagina Ambienti.

   Vai ad Ambienti

2. Nell'elenco degli ambienti, fai clic sul link Airflow per il tuo ambiente. Si apre l'UI di Airflow.

3. Nell'UI di Airflow, seleziona Amministratore > Variabili.

4. Fai clic su Aggiungi un nuovo record.

5. Specifica il nome della variabile nel campo Chiave e imposta il valore nel campo Val.

6. Fai clic su Salva.

Creare un server di cronologia permanente

Utilizza un server di cronologia permanente (PHS) per visualizzare i file di cronologia Spark dei workload batch:

1. Crea un server di cronologia permanente.
2. Assicurati di aver specificato il nome del cluster PHS nella phs_cluster variabile Airflow.

DataprocCreateBatchOperator

Il seguente DAG avvia un workload batch di Managed Service for Apache Spark.

Per ulteriori informazioni sugli argomenti di DataprocCreateBatchOperator, consulta il codice sorgente dell'operatore.

Per ulteriori informazioni sugli attributi che puoi passare nel batch parametro di DataprocCreateBatchOperator, consulta la descrizione della classe Batch.

"""
Examples below show how to use operators for managing Dataproc Serverless batch workloads.
 You use these operators in DAGs that create, delete, list, and get a Dataproc Serverless Spark batch workload.
https://airflow.apache.org/docs/apache-airflow/stable/concepts/variables.html
* project_id is the Google Cloud Project ID to use for the Cloud Dataproc Serverless.
* bucket_name is the URI of a bucket where the main python file of the workload (spark-job.py) is located.
* phs_cluster is the Persistent History Server cluster name.
* image_name is the name and tag of the custom container image (image:tag).
* metastore_cluster is the Dataproc Metastore service name.
* region_name is the region where the Dataproc Metastore service is located.
"""

import datetime

from airflow import models
from airflow.providers.google.cloud.operators.dataproc import (
    DataprocCreateBatchOperator,
    DataprocDeleteBatchOperator,
    DataprocGetBatchOperator,
    DataprocListBatchesOperator,
)
from airflow.utils.dates import days_ago

PROJECT_ID = "{{ var.value.project_id }}"
REGION = "{{ var.value.region_name}}"
BUCKET = "{{ var.value.bucket_name }}"
PHS_CLUSTER = "{{ var.value.phs_cluster }}"
METASTORE_CLUSTER = "{{var.value.metastore_cluster}}"
DOCKER_IMAGE = "{{var.value.image_name}}"

PYTHON_FILE_LOCATION = "gs://{{var.value.bucket_name }}/spark-job.py"
# for e.g.  "gs//my-bucket/spark-job.py"
# Start a single node Dataproc Cluster for viewing Persistent History of Spark jobs
PHS_CLUSTER_PATH = "projects/{{ var.value.project_id }}/regions/{{ var.value.region_name}}/clusters/{{ var.value.phs_cluster }}"
# for e.g. projects/my-project/regions/my-region/clusters/my-cluster"
SPARK_BIGQUERY_JAR_FILE = "gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar"
# use this for those pyspark jobs that need a spark-bigquery connector
# https://cloud.google.com/dataproc/docs/tutorials/bigquery-connector-spark-example
# Start a Dataproc MetaStore Cluster
METASTORE_SERVICE_LOCATION = "projects/{{var.value.project_id}}/locations/{{var.value.region_name}}/services/{{var.value.metastore_cluster }}"
# for e.g. projects/my-project/locations/my-region/services/my-cluster
CUSTOM_CONTAINER = "us.gcr.io/{{var.value.project_id}}/{{ var.value.image_name}}"
# for e.g. "us.gcr.io/my-project/quickstart-image",

default_args = {
    # Tell airflow to start one day ago, so that it runs as soon as you upload it
    "start_date": days_ago(1),
    "project_id": PROJECT_ID,
    "region": REGION,
}
with models.DAG(
    "dataproc_batch_operators",  # The id you will see in the DAG airflow page
    default_args=default_args,  # The interval with which to schedule the DAG
    schedule_interval=datetime.timedelta(days=1),  # Override to match your needs
) as dag:
    create_batch = DataprocCreateBatchOperator(
        task_id="batch_create",
        batch={
            "pyspark_batch": {
                "main_python_file_uri": PYTHON_FILE_LOCATION,
                "jar_file_uris": [SPARK_BIGQUERY_JAR_FILE],
            },
            "environment_config": {
                "peripherals_config": {
                    "spark_history_server_config": {
                        "dataproc_cluster": PHS_CLUSTER_PATH,
                    },
                },
            },
        },
        batch_id="batch-create-phs",
    )
    list_batches = DataprocListBatchesOperator(
        task_id="list-all-batches",
    )

    get_batch = DataprocGetBatchOperator(
        task_id="get_batch",
        batch_id="batch-create-phs",
    )
    delete_batch = DataprocDeleteBatchOperator(
        task_id="delete_batch",
        batch_id="batch-create-phs",
    )
    create_batch >> list_batches >> get_batch >> delete_batch

Utilizzare l'immagine container personalizzata con DataprocCreateBatchOperator

L'esempio seguente mostra come utilizzare un'immagine container personalizzata per eseguire i workload. Puoi utilizzare un container personalizzato, ad esempio, per aggiungere dipendenze Python non fornite dall'immagine container predefinita.

Nota: per eseguire i DAG che eseguono Managed Service for Apache Spark con container Docker personalizzati, l'ambiente Airflow gestito deve utilizzare Airflow gestito 2.0.6 e Airflow 2.2.3 o versioni successive.

Per utilizzare un'immagine container personalizzata:

1. Crea un'immagine container personalizzata e caricala in Container Registry.

2. Specifica l'immagine nella image_name variabile Airflow.

3. Utilizza DataprocCreateBatchOperator con l'immagine personalizzata:

create_batch_with_custom_container = DataprocCreateBatchOperator(
    task_id="dataproc_custom_container",
    batch={
        "pyspark_batch": {
            "main_python_file_uri": PYTHON_FILE_LOCATION,
            "jar_file_uris": [SPARK_BIGQUERY_JAR_FILE],
        },
        "environment_config": {
            "peripherals_config": {
                "spark_history_server_config": {
                    "dataproc_cluster": PHS_CLUSTER_PATH,
                },
            },
        },
        "runtime_config": {
            "container_image": CUSTOM_CONTAINER,
        },
    },
    batch_id="batch-custom-container",
)
get_batch_custom = DataprocGetBatchOperator(
    task_id="get_batch_custom",
    batch_id="batch-custom-container",
)
delete_batch_custom = DataprocDeleteBatchOperator(
    task_id="delete_batch_custom",
    batch_id="batch-custom-container",
)
create_batch_with_custom_container >> get_batch_custom >> delete_batch_custom

Utilizzare il servizio Dataproc Metastore con DataprocCreateBatchOperator

Per utilizzare un servizio Dataproc Metastore da un DAG:

1. Verifica che il servizio metastore sia già avviato.

   Per scoprire come avviare un servizio metastore, consulta Abilitare e disabilitare Dataproc Metastore.

   Per informazioni dettagliate sull'operatore Batch per la creazione della configurazione, consulta PeripheralsConfig.

2. Una volta che il servizio metastore è attivo e in esecuzione, specifica il suo nome in la variabile metastore_cluster e la sua regione nella region_name variabile Airflow.

3. Utilizza il servizio metastore in DataprocCreateBatchOperator:

create_batch_with_metastore = DataprocCreateBatchOperator(
    task_id="dataproc_metastore",
    batch={
        "pyspark_batch": {
            "main_python_file_uri": PYTHON_FILE_LOCATION,
            "jar_file_uris": [SPARK_BIGQUERY_JAR_FILE],
        },
        "environment_config": {
            "peripherals_config": {
                "metastore_service": METASTORE_SERVICE_LOCATION,
                "spark_history_server_config": {
                    "dataproc_cluster": PHS_CLUSTER_PATH,
                },
            },
        },
    },
    batch_id="dataproc-metastore",
)
get_batch_metastore = DataprocGetBatchOperator(
    task_id="get_batch_metatstore",
    batch_id="dataproc-metastore",
)
delete_batch_metastore = DataprocDeleteBatchOperator(
    task_id="delete_batch_metastore",
    batch_id="dataproc-metastore",
)

create_batch_with_metastore >> get_batch_metastore >> delete_batch_metastore

DataprocDeleteBatchOperator

Puoi utilizzare DataprocDeleteBatchOperator per eliminare un batch in base all'ID batch del workload.

delete_batch = DataprocDeleteBatchOperator(
    task_id="delete_batch",
    batch_id="batch-create-phs",
)

DataprocListBatchesOperator

DataprocDeleteBatchOperator elenca i batch esistenti in un determinato project_id e regione.

list_batches = DataprocListBatchesOperator(
    task_id="list-all-batches",
)

DataprocGetBatchOperator

DataprocGetBatchOperator recupera un particolare workload batch.

get_batch = DataprocGetBatchOperator(
    task_id="get_batch",
    batch_id="batch-create-phs",
)

Passaggi successivi

• Panoramica di Managed Service for Apache Spark
• Attivare i DAG con Cloud Run Functions