Envía una carga de trabajo por lotes de Apache Spark

Aprende a enviar una carga de trabajo por lotes en la infraestructura de procesamiento administrada por Google Cloud Serverless for Apache Spark, que ajusta la escala de los recursos según sea necesario.

Antes de comenzar

Configura tu proyecto y, si es necesario, otorga roles de Identity and Access Management.

Configura tu proyecto

Realiza uno o más de los siguientes pasos según sea necesario:

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

Otorga roles de IAM si es necesario

Se requieren ciertos roles de IAM para ejecutar los ejemplos de esta página. Según las políticas de la organización, es posible que estos roles ya se hayan otorgado. Para verificar las asignaciones de roles, consulta ¿Necesitas otorgar roles?.

Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.

Funciones de usuario

Para obtener los permisos que necesitas para enviar una carga de trabajo por lotes sin servidores, pídele a tu administrador que te otorgue los siguientes roles de IAM:

• Editor de Dataproc (roles/dataproc.editor) en el proyecto
• Usuario de cuenta de servicio (roles/iam.serviceAccountUser) en la cuenta de servicio predeterminada de Compute Engine

Función de cuenta de servicio

Para asegurarte de que la cuenta de servicio predeterminada de Compute Engine tenga los permisos necesarios para enviar una carga de trabajo por lotes sin servidores, pídele a tu administrador que otorgue a la cuenta de servicio predeterminada de Compute Engine el rol de IAM de trabajador de Dataproc (roles/dataproc.worker) en el proyecto.

Importante: Debes otorgar este rol a la cuenta de servicio predeterminada de Compute Engine, no a tu cuenta de usuario. Si no se otorga el rol a la principal correcta, es posible que se produzcan errores de permisos.

Envía una carga de trabajo por lotes de Spark

Puedes usar la consola de Google Cloud , Google Cloud CLI o la API de Dataproc para crear y enviar una carga de trabajo por lotes de Serverless for Apache Spark.

Nota: Puedes usar la página Crear lote a partir de plantilla en la consola para enviar un lote basado en una plantilla guardada. Para obtener más información, consulta las plantillas de Serverless for Apache Spark .

Console

1. En la consola de Google Cloud , ve a Dataproc Batches.

2. Haz clic en Crear.

3. Envía una carga de trabajo por lotes de Spark que calcule el valor aproximado de pi. Para ello, selecciona y completa los siguientes campos:

   • Información del lote:
     • ID del lote: Especifica un ID para tu carga de trabajo por lotes. Este valor debe tener entre 4 y 63 caracteres en minúscula. Los caracteres válidos son /[a-z][0-9]-/.
     • Región: Selecciona una región en la que se ejecutará tu carga de trabajo.
   • Contenedor:
     • Tipo de lote: Spark
     • Versión del entorno de ejecución: Confirma o selecciona la versión del entorno de ejecución 2.3.
     • Clase principal:

       org.apache.spark.examples.SparkPi

     • Archivos JAR (este archivo está preinstalado en el entorno de ejecución de Spark de Serverless for Apache Spark).

       file:///usr/lib/spark/examples/jars/spark-examples.jar

     • Argumentos: 1000.
   • Configuración de ejecución: Selecciona Cuenta de servicio. De forma predeterminada, el lote se ejecutará con la cuenta de servicio predeterminada de Compute Engine. Puedes especificar una cuenta de servicio personalizada. La cuenta de servicio predeterminada o personalizada debe tener el rol de trabajador de Dataproc.
   • Configuración de red: Selecciona una subred en la región de la sesión. Serverless for Apache Spark habilita el Acceso privado a Google (PGA) en la subred especificada. Para conocer los requisitos de conectividad de red, consulta Google Cloud Configuración de red de Serverless for Apache Spark.
   • Propiedades: Ingresa el Key (nombre de la propiedad) y el Value de las propiedades de Spark admitidas para establecer en tu carga de trabajo por lotes de Spark. Nota: A diferencia de las propiedades del clúster de Dataproc en Compute Engine, las propiedades de la carga de trabajo de Serverless for Apache Spark no incluyen un prefijo spark:.
   • Otras opciones:
     • Puedes configurar la carga de trabajo por lotes para que use un Hive Metastore autoadministrado externo.
     • Puedes usar un servidor de historial persistente (PHS). El PHS debe estar ubicado en la región en la que ejecutas cargas de trabajo por lotes.

4. Haz clic en Enviar para ejecutar la carga de trabajo por lotes de Spark.

gcloud

Para enviar una carga de trabajo por lotes de Spark para calcular el valor aproximado de pi, ejecuta el siguiente comando de gcloud CLI gcloud dataproc batches submit spark de manera local en una ventana de la terminal o en Cloud Shell.

gcloud dataproc batches submit spark \
    --region=REGION \
    --version=2.3 \
    --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
    --class=org.apache.spark.examples.SparkPi \
    -- 1000

Reemplaza lo siguiente:

• REGION: Especifica la región en la que se ejecutará tu carga de trabajo.
• Otras opciones: Puedes agregar marcas gcloud dataproc batches submit spark para especificar otras opciones de carga de trabajo y propiedades de Spark.
  • --jars: El archivo JAR de ejemplo está preinstalado en el entorno de ejecución de Spark. El argumento de comando 1000 que se pasa a la carga de trabajo de SparkPi especifica 1,000 iteraciones de la lógica de estimación de pi (los argumentos de entrada de la carga de trabajo se incluyen después de "-- ").
  • --subnet: Puedes agregar esta marca para especificar el nombre de una subred en la región de la sesión. Si no especificas una subred, Serverless for Apache Spark selecciona la subred default en la región de la sesión. Serverless para Apache Spark habilita el Acceso privado a Google (PGA) en la subred. Para conocer los requisitos de conectividad de red, consulta Google Cloud Configuración de red de Serverless for Apache Spark.
  • --properties: Puedes agregar esta marca para ingresar propiedades de Spark compatibles para que las use tu carga de trabajo por lotes de Spark.
  • --deps-bucket: Puedes agregar esta marca para especificar un bucket de Cloud Storage en el que Serverless for Apache Spark subirá las dependencias de la carga de trabajo. No se requiere el prefijo de URI gs:// del bucket; puedes especificar la ruta de acceso o el nombre del bucket. Serverless for Apache Spark sube los archivos locales a una carpeta /dependencies en el bucket antes de ejecutar la carga de trabajo por lotes. Nota: Esta marca es obligatoria si tu carga de trabajo por lotes hace referencia a archivos en tu máquina local.
  • --ttl: Puedes agregar la marca --ttl para especificar la duración del ciclo de vida del lote. Cuando la carga de trabajo supera esta duración, se finaliza de forma incondicional sin esperar a que finalice el trabajo en curso. Especifica la duración con un sufijo de s, m, h o d (segundos, minutos, horas o días). El valor mínimo es de 10 minutos (10m) y el máximo, de 14 días (14d).
    • Lotes de tiempo de ejecución 1.1 o 2.0: Si no se especifica --ttl para una carga de trabajo por lotes de tiempo de ejecución 1.1 o 2.0, se permite que la carga de trabajo se ejecute hasta que salga de forma natural (o que se ejecute para siempre si no sale).
    • Lotes de entorno de ejecución 2.1 y versiones posteriores: Si no se especifica --ttl para una carga de trabajo por lotes del entorno de ejecución 2.1 o posterior, se establece de forma predeterminada en 4h.
  • --service-account: Puedes especificar una cuenta de servicio para ejecutar tu carga de trabajo. Si no especificas una cuenta de servicio, la carga de trabajo se ejecuta con la cuenta de servicio predeterminada de Compute Engine. Tu cuenta de servicio debe tener el rol de trabajador de Dataproc.
  • Hive Metastore: El siguiente comando configura una carga de trabajo por lotes para usar un almacén de metadatos de Hive autoadministrado externo con una configuración estándar de Spark.

    gcloud dataproc batches submit spark\
        --properties=spark.sql.catalogImplementation=hive,spark.hive.metastore.uris=METASTORE_URI,spark.hive.metastore.warehouse.dir=WAREHOUSE_DIR> \
        other args ...
            

  • Persistent History Server:
    1. El siguiente comando crea un PHS en un clúster de Dataproc de un solo nodo. El PHS debe estar ubicado en la región en la que ejecutas cargas de trabajo por lotes, y el bucket de Cloud Storage bucket-name debe existir.

       gcloud dataproc clusters create PHS_CLUSTER_NAME \
           --region=REGION \
           --single-node \
           --enable-component-gateway \
           --properties=spark:spark.history.fs.logDirectory=gs://bucket-name/phs/*/spark-job-history
                    

    2. Envía una carga de trabajo por lotes y especifica tu servidor de historial persistente en ejecución.

       gcloud dataproc batches submit spark \
           --region=REGION \
           --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
           --class=org.apache.spark.examples.SparkPi \
           --history-server-cluster=projects/project-id/regions/region/clusters/PHS-cluster-name \
           -- 1000
                     

  • Versión del entorno de ejecución: Usa la marca --version para especificar la versión del entorno de ejecución de Serverless for Apache Spark para la carga de trabajo.

    gcloud dataproc batches submit spark \
        --region=REGION \
        --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
        --class=org.apache.spark.examples.SparkPi \
        --version=VERSION
        -- 1000
                

API

En esta sección, se muestra cómo crear una carga de trabajo por lotes para calcular el valor aproximado de pi con batches.create` de Serverless for Apache Spark.

Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:

• project-id: Es el ID de un proyecto Google Cloud .
• region: Es una región de Compute Engine en la que Google Cloud Serverless for Apache Spark ejecutará la carga de trabajo.

Notas:

• PROJECT_ID: Es el ID del proyecto de Google Cloud . Los IDs de los proyectos se enumeran en la sección Información del proyecto del panel de la consola de Google Cloud .
• REGION: Es la región de la sesión.

Método HTTP y URL:

POST https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches

Cuerpo JSON de la solicitud:

{
  "sparkBatch":{
    "args":[
      "1000"
    ],
    "runtimeConfig": {
      "version": "2.3",
    },
    "jarFileUris":[
      "file:///usr/lib/spark/examples/jars/spark-examples.jar"
    ],
    "mainClass":"org.apache.spark.examples.SparkPi"
  }
}

Para enviar tu solicitud, expande una de estas opciones:

curl (Linux, macOS o Cloud Shell)

Nota: Con el siguiente comando, se supone que accediste a gcloud CLI con tu cuenta de usuario a través de la ejecución de gcloud init o gcloud auth login , o a través del uso de Cloud Shell, que accede de forma automática a gcloud CLI . Para comprobar la cuenta activa actual, ejecuta gcloud auth list.

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches"

PowerShell (Windows)

Nota: El siguiente comando supone que accediste a gcloud CLI con tu cuenta de usuario a través de la ejecución de gcloud init o gcloud auth login . Para comprobar la cuenta activa actual, ejecuta gcloud auth list.

Guarda el cuerpo de la solicitud en un archivo llamado request.json y ejecuta el siguiente comando:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches" | Select-Object -Expand Content

Deberías recibir una respuesta JSON similar a la que se muestra a continuación:

{
"name":"projects/project-id/locations/region/batches/batch-id",
  "uuid":",uuid",
  "createTime":"2021-07-22T17:03:46.393957Z",
  "sparkBatch":{
    "mainClass":"org.apache.spark.examples.SparkPi",
    "args":[
      "1000"
    ],
    "jarFileUris":[
      "file:///usr/lib/spark/examples/jars/spark-examples.jar"
    ]
  },
  "runtimeInfo":{
    "outputUri":"gs://dataproc-.../driveroutput"
  },
  "state":"SUCCEEDED",
  "stateTime":"2021-07-22T17:06:30.301789Z",
  "creator":"account-email-address",
  "runtimeConfig":{
    "version":"2.3",
    "properties":{
      "spark:spark.executor.instances":"2",
      "spark:spark.driver.cores":"2",
      "spark:spark.executor.cores":"2",
      "spark:spark.app.name":"projects/project-id/locations/region/batches/batch-id"
    }
  },
  "environmentConfig":{
    "peripheralsConfig":{
      "sparkHistoryServerConfig":{
      }
    }
  },
  "operation":"projects/project-id/regions/region/operation-id"
}

Cómo calcula el trabajo el número Pi: El trabajo de Spark calcula un valor aproximado del número Pi con el método Monte Carlo. Genera puntos "x,y" en un plano cartesiano que modela un círculo rodeado de un cuadrado unitario. El argumento de entrada (`1000`) determina la cantidad de pares x,y que se generarán; cuantos más pares se generen, mayor será la precisión de la estimación. Para obtener más información, consulta Estimating Pi using the Monte Carlo Method y JavaSparkPi.java en GitHub.

Estima los costos de la carga de trabajo

Las cargas de trabajo de Serverless for Apache Spark consumen recursos de unidades de procesamiento de datos (DCU) y de almacenamiento de Shuffle. Para ver un ejemplo que genera UsageMetrics de Dataproc para estimar el consumo de recursos y los costos de la carga de trabajo, consulta Precios de Serverless for Apache Spark.

¿Qué sigue?

Obtén más información acerca de los siguientes temas:

• Cuotas de Serverless for Apache Spark
• Propiedades de Spark