"Managed Service for Apache Spark" is the new name for the product formerly known as "Dataproc on Compute Engine" (cluster deployment) and "Google Cloud Serverless for Apache Spark" (serverless deployment).

Google utiliza tecnología de IA para traducir contenido a tu idioma preferido. Las traducciones realizadas con IA pueden contener errores.

Propiedades de Spark

En este documento, se describen las propiedades de Spark y cómo configurarlas. Managed Service para Apache Spark usa las propiedades de Spark para determinar los recursos de procesamiento, memoria y disco que se asignarán a tu carga de trabajo por lotes. Esta configuración de propiedad puede afectar el consumo de cuota de la carga de trabajo y el costo. Para obtener más información, consulta Cuotas de Managed Service para Apache Spark y Precios de Managed Service para Apache Spark.

Establece las propiedades de la carga de trabajo por lotes de Spark

Puedes especificar las propiedades de Spark cuando envías una carga de trabajo por lotes de Managed Service para Apache Spark con la consola de Google Cloud , gcloud CLI o la API de Dataproc.

Console

En la consola de Google Cloud , ve a la página Crear lote de Managed Service para Apache Spark.

Ir a Crear lote de Managed Service para Apache Spark
En la sección Propiedades, haz clic en Agregar propiedad.
Ingresa el Key (nombre) y el Value de una propiedad de Spark compatible.

gcloud

A continuación, se muestra un ejemplo de envío por lotes de gcloud CLI. Las propiedades múltiples se separan con comas.

gcloud dataproc batches submit spark \
    --properties=spark.checkpoint.compress=true,spark.driver.cores=8  \
    --region=REGION \
    other args ...

API

Establece RuntimeConfig.properties con las propiedades de Spark admitidas como parte de una solicitud batches.create.

Propiedades de Spark compatibles

Managed Service para Apache Spark admite la mayoría de las propiedades de Spark, pero no admite las propiedades de Spark relacionadas con YARN y con la redistribución, como spark.master=yarn y spark.shuffle.service.enabled. Si el código de la aplicación de Spark establece una propiedad de YARN o de shuffle, la aplicación fallará.

Propiedades del entorno de ejecución

Managed Service para Apache Spark admite las siguientes propiedades de Spark personalizadas para configurar el entorno de ejecución:

Propiedad	Descripción
`spark.dataproc.driverEnv.ENVIRONMENT_VARIABLE_NAME`	Agrega `ENVIRONMENT_VARIABLE_NAME` al proceso del controlador. Puedes especificar varias variables de entorno.
`spark.executorEnv.ENVIRONMENT_VARIABLE_NAME`	Agrega `ENVIRONMENT_VARIABLE_NAME` al proceso del ejecutor. Puedes especificar varias variables de entorno.

Propiedad de nivel

Propiedad	Descripción	Predeterminado
`dataproc.tier`	Es el nivel en el que se ejecuta una carga de trabajo por lotes, ya sea `standard` o `premium` (consulta Niveles de Managed Service para Apache Spark). Las sesiones interactivas siempre se ejecutan en el nivel premium `dataproc.tier`. Establecer esta propiedad de nivel de lote en `standard` establece las propiedades de nivel de recurso y entorno de ejecución de Managed Service para Apache Spark en el nivel `standard` (consulta las propiedades de asignación de recursos). Si estableces esta propiedad de nivel de lote en `premium`, se establece `spark.dataproc.engine` en `lightningEngine`, y se establecen `spark.dataproc.driver.compute.tier` y `spark.dataproc.executor.compute.tier` en `premium`. Puedes anular la mayoría de los parámetros de configuración de nivel de lote establecidos automáticamente, pero los parámetros de configuración de nivel de procesamiento establecidos automáticamente no se pueden anular para los lotes que usan entornos de ejecución anteriores a `3.0` (consulta las propiedades de asignación de recursos).	`standard`

Propiedades del motor y del entorno de ejecución

Propiedad	Descripción	Predeterminado
`spark.dataproc.engine`	Es el motor que se usará para ejecutar la carga de trabajo por lotes o la sesión interactiva: `lightningEngine` (consulta Lightning Engine) o el motor `default`. Cargas de trabajo por lotes: Si seleccionas la propiedad `dataproc.tier` estándar para tu carga de trabajo, esta propiedad se establece automáticamente en `default` y no se puede anular. Si seleccionas el `premium` `dataproc.tier` para tu carga de trabajo, esta propiedad se establece automáticamente en `lightningEngine`, pero puedes cambiar el parámetro de configuración a `default` si es necesario. Sesiones interactivas: Este parámetro de configuración se establece automáticamente en `default`, pero puedes cambiarlo a `lightningEngine`. Ten en cuenta que las sesiones interactivas siempre se ejecutan en el nivel `premium`. Cuando creas un perfil de entorno de ejecución (plantilla de sesión) en la página Crea un perfil de entorno de ejecución de la consola de Google Cloud , se seleccionan de forma predeterminada el nivel Premium y Habilitar Lightning Engine para acelerar el rendimiento (que establece `spark.dataproc.engine=lightningEngine`).	Lotes (nivel Estándar): `default` Lotes (nivel Premium): `lightningEngine` Sesiones: `default`
`spark.dataproc.lightningEngine.runtime`	El entorno de ejecución que se usará cuando se seleccione Lightning Engine para una carga de trabajo por lotes o una sesión interactiva: `default` o `native` (Ejecución de consultas nativas).	`default`

Propiedades de asignación de recursos

Managed Service para Apache Spark admite las siguientes propiedades de Spark para configurar la asignación de recursos:

Propiedad	Descripción	Predeterminado	Ejemplos
`spark.driver.cores`	Es la cantidad de núcleos (CPU virtuales) que se asignarán al controlador de Spark. Valores válidos: `4`, `8`, `16`.	`4`
`spark.driver.memory`	Es la cantidad de memoria que se asignará al proceso del controlador de Spark, especificada en el formato de cadena de memoria de JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). Es la memoria total del controlador por núcleo del controlador, incluida la sobrecarga de memoria del controlador, que debe estar entre `1024m` y `7424m` para el nivel de procesamiento Estándar (`24576m` para el nivel de procesamiento Premium). Por ejemplo, si `spark.driver.cores = 4`, entonces `4096m <= spark.driver.memory + spark.driver.memoryOverhead <= 29696m`.		`512m`, `2g`
`spark.driver.memoryOverhead`	Es la cantidad de memoria adicional de JVM que se asignará al proceso del controlador de Spark, especificada en formato de cadena de memoria de JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). Esta es la memoria que no es del montón asociada con las sobrecargas de JVM, las cadenas internas y otras sobrecargas nativas, y que incluye la memoria que usan otros procesos de controladores, como los procesos de controladores de PySpark y la memoria que usan otros procesos que no son de controladores que se ejecutan en el contenedor. El tamaño máximo de memoria del contenedor en el que se ejecuta el controlador se determina por la suma de `spark.driver.memoryOverhead` más `spark.driver.memory`. La memoria total del controlador por núcleo del controlador, incluida la sobrecarga de memoria del controlador, debe estar entre `1024m` y `7424m` para el nivel de procesamiento Estándar (`24576m` para el nivel de procesamiento Premium). Por ejemplo, si `spark.driver.cores = 4`, entonces `4096m <= spark.driver.memory + spark.driver.memoryOverhead <= 29696m`.	Es el 10% de la memoria del controlador, excepto para las cargas de trabajo por lotes de PySpark, que se establecen de forma predeterminada en el 40% de la memoria del controlador.	`512m`, `2g`
`spark.dataproc.driver.compute.tier`	Es el nivel de procesamiento que se usará en el controlador. El nivel de procesamiento Premium ofrece un mayor rendimiento por núcleo, pero se factura con una tarifa más alta.	standard	estándar, premium
`spark.dataproc.driver.disk.size`	Es la cantidad de espacio en el disco asignada al controlador, especificada con un sufijo de unidad de tamaño ("k", "m", "g" o "t"). Debe ser `250GiB` como mínimo. Si se selecciona el nivel de disco Premium en el controlador, los tamaños válidos son 375g, 750g, 1500g, 3000g, 6000g o 9000g. Si se selecciona el nivel de disco Premium y 16 núcleos de controlador, el tamaño mínimo del disco es de 750 GB.	`100GiB` por núcleo	`1024g`, `2t`
`spark.dataproc.driver.disk.tier`	Es el nivel de disco que se usará para el almacenamiento local y de Shuffle en el controlador. El nivel de disco Premium ofrece un mejor rendimiento en IOPS y capacidad de procesamiento, pero se factura con una tarifa más alta. Si se selecciona el nivel de disco Premium en el controlador, también se debe seleccionar el nivel de procesamiento Premium con `spark.dataproc.driver.compute.tier=premium`, y se debe especificar la cantidad de espacio en el disco con `spark.dataproc.executor.disk.size`. Si se selecciona el nivel de disco Premium, el controlador asigna 50 GiB adicionales de espacio en el disco para el almacenamiento del sistema, que no pueden usar las aplicaciones de usuario.	standard	estándar, premium
`spark.executor.cores`	Es la cantidad de núcleos (CPU virtuales) que se asignarán a cada ejecutor de Spark. Valores válidos: `4`, `8`, `16`.	`4`
`spark.executor.memory`	Es la cantidad de memoria que se asignará a cada proceso de ejecutor de Spark, especificada en el formato de cadena de memoria de JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). La memoria total del ejecutor por núcleo de ejecutor, incluida la sobrecarga de memoria del ejecutor, debe estar entre `1024m` y `7424m` para el nivel de procesamiento Estándar (`24576m` para el nivel de procesamiento Premium). Por ejemplo, si `spark.executor.cores = 4`, entonces `4096m <= spark.executor.memory + spark.executor.memoryOverhead <= 29696m`.		`512m`, `2g`
`spark.executor.memoryOverhead`	Es la cantidad de memoria adicional de JVM que se asignará al proceso del ejecutor de Spark, especificada en el formato de cadena de memoria de JVM con un sufijo de unidad de tamaño ("m", "g" o "t"). Esta es la memoria que no es del montón que se usa para las sobrecargas de JVM, las cadenas internas y otras sobrecargas nativas, y que incluye la memoria del ejecutor de PySpark y la memoria que usan otros procesos que no son del ejecutor que se ejecutan en el contenedor. El tamaño máximo de memoria del contenedor en el que se ejecuta el ejecutor se determina por la suma de `spark.executor.memoryOverhead` más `spark.executor.memory`. La memoria total del ejecutor por núcleo de ejecutor, incluida la sobrecarga de memoria del ejecutor, debe estar entre `1024m` y `7424m` para el nivel de procesamiento Estándar (`24576m` para el nivel de procesamiento Premium). Por ejemplo, si `spark.executor.cores = 4`, entonces `4096m <= spark.executor.memory + spark.executor.memoryOverhead <= 29696m`.	Es el 10% de la memoria del ejecutor, excepto para las cargas de trabajo por lotes de PySpark, que de forma predeterminada es el 40% de la memoria del ejecutor.	`512m`, `2g`
`spark.dataproc.executor.compute.tier`	Es el nivel de procesamiento que se usará en los ejecutores. El nivel de procesamiento Premium ofrece un mayor rendimiento por núcleo, pero se factura con una tarifa más alta.	standard	estándar, premium
`spark.dataproc.executor.disk.size`	Es la cantidad de espacio en el disco asignada a cada ejecutor, especificada con un sufijo de unidad de tamaño ("k", "m", "g" o "t"). El espacio en el disco del ejecutor se puede usar para los datos de shuffle y para almacenar en etapa intermedia las dependencias. Debe ser `250GiB` como mínimo. Si se selecciona el nivel de disco Premium en el ejecutor, los tamaños válidos son 375g, 750g, 1500g, 3000g, 6000g o 9000g. Si se selecciona el nivel de disco Premium y 16 núcleos de ejecutor, el tamaño mínimo del disco es de 750 GB.	`100GiB` por núcleo	`1024g`, `2t`
`spark.dataproc.executor.disk.tier`	Es el nivel de disco que se usará para el almacenamiento local y de redistribución en los ejecutores. El nivel de disco Premium ofrece un mejor rendimiento en IOPS y capacidad de procesamiento, pero se factura con una tarifa más alta. Si se selecciona el nivel de disco Premium en el ejecutor, también se debe seleccionar el nivel de procesamiento Premium con `spark.dataproc.executor.compute.tier=premium`, y se debe especificar la cantidad de espacio en el disco con `spark.dataproc.executor.disk.size`. Si se selecciona el nivel de disco Premium, a cada ejecutor se le asignan 50 GiB adicionales de espacio en el disco para el almacenamiento del sistema, que no pueden usar las aplicaciones de usuario.	standard	estándar, premium
`spark.executor.instances`	Es la cantidad inicial de ejecutores que se asignarán. Después de que se inicia una carga de trabajo por lotes, el ajuste de escala automático puede cambiar la cantidad de ejecutores activos. Debe ser `2` como mínimo y `2000` como máximo.

Propiedades del ajuste de escala automático

Consulta las propiedades de asignación dinámica de Spark para obtener una lista de las propiedades de Spark que puedes usar para configurar el ajuste de escala automático de Managed Service para Apache Spark.

Propiedades de registro

Propiedad	Descripción	Predeterminado	Ejemplos
`spark.log.level`	Cuando se establece, anula cualquier configuración de registro definida por el usuario con el efecto de una llamada a `SparkContext.setLogLevel()` en el inicio de Spark. Los niveles de registro válidos incluyen: `ALL`, `DEBUG`, `ERROR`, `FATAL`, `INFO`, `OFF`, `TRACE` y `WARN`.		`INFO`, `DEBUG`
`spark.executor.syncLogLevel.enabled`	Cuando se establece en `true`, el nivel de registro aplicado a través del método `SparkContext.setLogLevel()` se propaga a todos los ejecutores.	`false`	`true`, `false`
`spark.log.level.PackageName`	Cuando se establece, anula cualquier configuración de registro definida por el usuario con el efecto de una llamada a `SparkContext.setLogLevel(PackageName, level)` en el inicio de Spark. Los niveles de registro válidos incluyen: `ALL`, `DEBUG`, `ERROR`, `FATAL`, `INFO`, `OFF`, `TRACE` y `WARN`.		`spark.log.level.org.apache.spark=error`

Propiedades de programación

Propiedad	Descripción	Predeterminado	Ejemplos
`spark.scheduler.excludeShuffleSkewExecutors`	Excluye los ejecutores sesgados de asignación de shuffle cuando se programa, lo que puede reducir los tiempos de espera de recuperación de shuffle largos causados por el sesgo de escritura de shuffle.	`false`	`true`
`spark.scheduler.shuffleSkew.minFinishedTasks`	Es la cantidad mínima de tareas de asignación de shuffle finalizadas en un ejecutor que se tratarán como sesgo.	`10`	`100`
`spark.scheduler.shuffleSkew.maxExecutorsNumber`	Es la cantidad máxima de ejecutores que se tratarán como sesgo. Los ejecutores sesgados se excluyen de la ronda de programación actual.	5	`10`
`spark.scheduler.shuffleSkew.maxExecutorsRatio`	Es la proporción máxima de ejecutores totales que se tratarán como sesgo. Los ejecutores sesgados se excluyen de la programación.	0.05	`0.1`
`spark.scheduler.shuffleSkew.ratio`	Es un múltiplo de las tareas de asignación de shuffle finalizadas promedio en un ejecutor para tratar como sesgo.	1.5	`2.0`

Otras propiedades

Propiedad	Descripción
`dataproc.diagnostics.enabled`	Solo se admite en los entornos de ejecución 2.3 y anteriores. Habilita esta propiedad para ejecutar diagnósticos en caso de que falle o se cancele una carga de trabajo por lotes. Si los diagnósticos están habilitados, tu carga de trabajo por lotes seguirá usando recursos de procesamiento después de que se complete la carga de trabajo hasta que finalicen los diagnósticos. En el campo de la API Batch.RuntimeInfo.diagnosticOutputUri, se muestra un URI que apunta a la ubicación del archivo tar de diagnóstico.
`dataproc.gcsConnector.version`	Solo se admite en los entornos de ejecución 2.3 y anteriores. Usa esta propiedad para actualizar a una versión del conector de Cloud Storage que sea diferente de la versión instalada con la versión del entorno de ejecución de tu carga de trabajo por lotes.
`dataproc.sparkBqConnector.version`	Solo se admite en los entornos de ejecución 2.3 y anteriores. Usa esta propiedad para actualizar a una versión del conector de Spark a BigQuery que sea diferente de la versión instalada con la versión del entorno de ejecución de tu carga de trabajo por lotes (consulta Usa el conector de BigQuery con Managed Service para Apache Spark).
`dataproc.profiling.enabled`	Solo se admite en los entornos de ejecución 2.3 y anteriores. Establece esta propiedad en `true` para habilitar la generación de perfiles en la carga de trabajo de Managed Service para Apache Spark.
`dataproc.profiling.name`	Solo se admite en los entornos de ejecución 2.3 y anteriores Usa esta propiedad para establecer el nombre que se usa para crear un perfil en el servicio de Profiler.
`spark.jars`	Usa esta propiedad para establecer la lista separada por comas de los archivos JAR que se incluirán en las rutas de clase del controlador y del ejecutor
`spark.archives`	Usa esta propiedad para establecer la lista separada por comas de los archivos que se extraerán en el directorio de trabajo de cada ejecutor. Se admiten los formatos .jar, .tar.gz, .tgz y .zip. En el caso de las sesiones interactivas sin servidores, agrega esta propiedad cuando crees una sesión interactiva o un perfil de entorno de ejecución (plantilla de sesión).
`dataproc.artifacts.remove`	Usa esta propiedad para quitar los artefactos predeterminados instalados en los entornos de ejecución de Managed Service para Apache Spark. Los artefactos admitidos son `conscrypt`, `delta-lake`, `iceberg`, `rapids` y `spark-bigquery-connector`.