Servidor de histórico persistente

Visão geral

O servidor de histórico persistente (PHS, na sigla em inglês) do Serviço Gerenciado para Apache Spark fornece interfaces da Web para visualizar o histórico de jobs executados em clusters ativos ou excluídos do Serviço Gerenciado para Apache Spark. Ele está disponível na versão de imagem 1.5 e posteriores do Serviço Gerenciado para Apache Spark e é executado em um cluster de nó único do Serviço Gerenciado para Apache Spark. Ele fornece interfaces da Web para os seguintes arquivos e dados:

  • Arquivos de histórico de jobs do MapReduce e do Spark

  • Arquivos de histórico de jobs do Flink (consulte o componente opcional do Flink do Dataproc para criar um cluster do Serviço Gerenciado para Apache Spark para executar jobs do Flink)

  • Arquivos de dados da linha do tempo do aplicativo criados pelo YARN Timeline Service v2 e armazenados em uma instância do Bigtable.

  • Registros de agregação do YARN

O Servidor de Histórico Permanente acessa e exibe arquivos de histórico de jobs do Spark e do MapReduce, arquivos de histórico de jobs do Flink e arquivos de registro do YARN gravados no Cloud Storage durante o ciclo de vida dos clusters de jobs do Serviço Gerenciado para Apache Spark.

Limitações

  • A versão de imagem do cluster do PHS e a versão de imagem dos clusters de jobs do Serviço Gerenciado para Apache Spark precisam ser iguais. Por exemplo, é possível usar um cluster de PHS da versão de imagem 2.0 do Serviço Gerenciado para Apache Spark para visualizar arquivos de histórico de jobs que foram executados em clusters de jobs da versão de imagem 2.0 do Serviço Gerenciado para Apache Spark que estavam localizados no projeto em que o cluster de PHS está localizado.

  • Um cluster do PHS não é compatível com o Kerberos e a autenticação pessoal.

Criar um cluster de PHS do Serviço Gerenciado para Apache Spark

Execute o seguinte comando gcloud dataproc clusters create em um terminal local ou no Cloud Shell com as seguintes flags e propriedades de cluster para criar um cluster de nó único do servidor de histórico persistente do Serviço Gerenciado para Apache Spark.

gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT \
    --region=REGION \
    --single-node \
    --enable-component-gateway \
    --optional-components=COMPONENT \
    --properties=PROPERTIES
  • CLUSTER_NAME: especifique o nome do cluster do PHS.
  • PROJECT: especifique o projeto a ser associado ao cluster do PHS. Esse projeto precisa ser o mesmo associado ao cluster que executa os jobs (consulte Criar um cluster de jobs do Dataproc).
  • REGION: especifique uma região do Compute Engine em que o cluster do PHS será localizado.
  • --single-node: um cluster de PHS é um cluster de nó único do Dataproc.
  • --enable-component-gateway: essa flag ativa as interfaces da Web do gateway de componentes no cluster do PHS.
  • COMPONENT: use essa flag para instalar um ou mais componentes opcionais no cluster. É preciso especificar o componente opcional FLINK para executar o serviço da Web do HistoryServer do Flink no cluster do PHS para visualizar os arquivos de histórico de jobs do Flink.
  • PROPERTIES. Especifique uma ou mais propriedades do cluster.
  • Se quiser, adicione a flag --image-version para especificar a versão da imagem do cluster do PHS. A versão de imagem do PHS precisa corresponder à versão de imagem dos clusters de jobs do Serviço Gerenciado para Apache Spark. Consulte Limitações.

    Observações:

    • Os exemplos de valor de propriedade nesta seção usam um caractere curinga "*" para permitir que o PHS corresponda a vários diretórios no bucket especificado gravado por diferentes clusters de jobs (mas consulte Considerações sobre a eficiência de caracteres curinga).
    • As flags --properties separadas são mostradas nos exemplos a seguir para facilitar a leitura. A prática recomendada ao usar gcloud dataproc clusters create para criar um cluster do Serviço Gerenciado para Apache Spark é usar uma flag --properties para especificar uma lista de propriedades separadas por vírgulas (consulte formatação de propriedades do cluster).

    Propriedades:

    • yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/*/yarn-logs: adicione essa propriedade para especificar o local do Cloud Storage em que o PHS vai acessar os registros do YARN gravados por clusters de jobs.
    • spark:spark.history.fs.logDirectory=gs://bucket-name/*/spark-job-history: adicione essa propriedade para ativar o histórico permanente de jobs do Spark. Essa propriedade especifica o local em que o PHS acessará os registros do histórico de jobs do Spark gravados por clusters de jobs.

      Nos clusters do Serviço Gerenciado para Apache Spark 2.0+, as duas propriedades a seguir também precisam ser definidas para ativar os registros de histórico do PHS Spark. Consulte Opções de configuração do servidor de histórico do Spark. spark.history.custom.executor.log.url é um valor literal que contém {{PLACEHOLDERS}} para variáveis que serão definidas pelo servidor de histórico permanente. Essas variáveis não são definidas pelos usuários. Transmita o valor da propriedade conforme mostrado.

      --properties=spark:spark.history.custom.executor.log.url.applyIncompleteApplication=false
      
      --properties=spark:spark.history.custom.executor.log.url={{YARN_LOG_SERVER_URL}}/{{NM_HOST}}:{{NM_PORT}}/{{CONTAINER_ID}}/{{CONTAINER_ID}}/{{USER}}/{{FILE_NAME}}
      

    • mapred:mapreduce.jobhistory.read-only.dir-pattern=gs://bucket-name/*/mapreduce-job-history/done: adicione essa propriedade para ativar o histórico permanente de jobs do MapReduce. Essa propriedade especifica o local do Cloud Storage em que o PHS vai acessar os registros de histórico de jobs do MapReduce gravados por clusters de jobs.

    • dataproc:yarn.atsv2.bigtable.instance=projects/project-id/instance_id/bigtable-instance-id: depois de configurar o Yarn Timeline Service v2, adicione essa propriedade para usar o cluster do PHS para visualizar dados da linha do tempo nas interfaces da Web do YARN Application Timeline Service V2 e do Tez (consulte Interfaces da Web do gateway de componentes).

    • flink:historyserver.archive.fs.dir=gs://bucket-name/*/flink-job-history/completed-jobs: use essa propriedade para configurar o HistoryServer do Flink para monitorar uma lista de diretórios separada por vírgulas.

    Exemplos de propriedades:

    --properties=spark:spark.history.fs.logDirectory=gs://bucket-name/*/spark-job-history
    
    --properties=mapred:mapreduce.jobhistory.read-only.dir-pattern=gs://bucket-name/*/mapreduce-job-history/done
    
    --properties=flink:flink.historyserver.archive.fs.dir=gs://bucket-name/*/flink-job-history/completed-jobs
    

Criar um cluster de jobs do Serviço Gerenciado para Apache Spark

Execute o comando a seguir em um terminal local ou no Cloud Shell para criar um cluster de jobs do Serviço Gerenciado para Apache Spark que executa jobs e grava arquivos de histórico de jobs em um servidor de histórico persistente (PHS).

gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT \
    --region=REGION \
    --optional-components=COMPONENT \
    --enable-component-gateway \
    --properties=PROPERTIES \
    other args ...
  • CLUSTER_NAME: especifique o nome do cluster de jobs.
  • PROJECT: especifique o projeto associado ao cluster de jobs.
  • REGION: especifique a região do Compute Engine em que o cluster de jobs será localizado.
  • --enable-component-gateway: essa flag ativa as interfaces da Web do gateway de componentes no cluster de jobs.
  • COMPONENT: use essa flag para instalar um ou mais componentes opcionais no cluster. Especifique o componente opcional FLINK para executar jobs do Flink no cluster.
  • PROPERTIES: adicione uma ou mais das seguintes propriedades de cluster para definir locais do Cloud Storage não padrão relacionados ao PHS e outras propriedades de cluster de jobs.

    Observações:

    • Os exemplos de valor de propriedade nesta seção usam um caractere curinga "*" para permitir que o PHS corresponda a vários diretórios no bucket especificado gravado por diferentes clusters de jobs (mas consulte Considerações sobre a eficiência de caracteres curinga).
    • As flags --properties separadas são mostradas nos exemplos a seguir para facilitar a leitura. A prática recomendada ao usar gcloud dataproc clusters create para criar um cluster do Serviço Gerenciado para Apache Spark é usar uma flag --properties para especificar uma lista de propriedades separadas por vírgulas (consulte formatação de propriedades do cluster).

    Propriedades:

    • yarn:yarn.nodemanager.remote-app-log-dir: por padrão, os registros agregados do YARN são ativados em clusters de jobs do Serviço Gerenciado para Apache Spark e gravados no bucket temporário do cluster. Adicione essa propriedade para especificar um local diferente do Cloud Storage em que o cluster gravará registros de agregação para acesso pelo servidor de histórico permanente.
      --properties=yarn:yarn.nodemanager.remote-app-log-dir=gs://bucket-name/directory-name/yarn-logs
      
    • spark:spark.history.fs.logDirectory e spark:spark.eventLog.dir: por padrão, os arquivos de histórico de jobs do Spark são salvos no temp bucket do cluster no diretório /spark-job-history. É possível adicionar essas propriedades para especificar locais diferentes do Cloud Storage para esses arquivos. Se as duas propriedades forem usadas, elas precisarão apontar para diretórios no mesmo bucket.
      --properties=spark:spark.history.fs.logDirectory=gs://bucket-name/directory-name/spark-job-history
      
      --properties=spark:spark.eventLog.dir=gs://bucket-name/directory-name/spark-job-history
      
    • mapred:mapreduce.jobhistory.done-dir e mapred:mapreduce.jobhistory.intermediate-done-dir: por padrão, os arquivos de histórico de jobs do MapReduce são salvos no cluster temp bucket nos diretórios /mapreduce-job-history/done e /mapreduce-job-history/intermediate-done. O local intermediário mapreduce.jobhistory.intermediate-done-dir é um armazenamento temporário. Os arquivos intermediários são movidos para o local mapreduce.jobhistory.done-dir quando o job do MapReduce é concluído. É possível adicionar essas propriedades para especificar diferentes locais do Cloud Storage para esses arquivos. Se as duas propriedades forem usadas, elas precisarão apontar para diretórios no mesmo bucket.
      --properties=mapred:mapreduce.jobhistory.done-dir=gs://bucket-name/directory-name/mapreduce-job-history/done
      
      --properties=mapred:mapreduce.jobhistory.intermediate-done-dir=gs://bucket-name/directory-name/mapreduce-job-history/intermediate-done
      
    • spark:spark.history.fs.gs.outputstream.type: essa propriedade se aplica a clusters de versão de imagem 2.0 e 2.1 que usam a versão 2.0.x do conector do Cloud Storage (a versão padrão do conector para clusters de versão de imagem 2.0 e 2.1). Ele controla como os jobs do Spark enviam dados para o Cloud Storage. A configuração padrão é BASIC, que envia dados para o Cloud Storage após a conclusão do job. Quando definido como FLUSHABLE_COMPOSITE, os dados são copiados para o Cloud Storage em intervalos regulares enquanto o job está em execução, conforme definido por spark:spark.history.fs.gs.outputstream.sync.min.interval.ms.
      --properties=spark:spark.history.fs.gs.outputstream.type=FLUSHABLE_COMPOSITE
      
    • spark:spark.history.fs.gs.outputstream.sync.min.interval.ms: essa propriedade se aplica aos clusters de versão de imagem 2.0 e 2.1 que usam a versão 2.0.x do conector do Cloud Storage (a versão padrão do conector para clusters de versão de imagem 2.0 e 2.1). Ele controla a frequência em milissegundos em que os dados são transferidos para o Cloud Storage quando spark:spark.history.fs.gs.outputstream.type é definido como FLUSHABLE_COMPOSITE. O intervalo de tempo padrão é 5000ms. O valor do intervalo de tempo em milissegundos pode ser especificado com ou sem o sufixo ms.
      --properties=spark:spark.history.fs.gs.outputstream.sync.min.interval.ms=INTERVALms
      
    • spark:spark.history.fs.gs.outputstream.sync.min.interval: essa propriedade se aplica a clusters de versão de imagem 2.2 e posteriores que usam a versão 3.0.x do conector do Cloud Storage (a versão padrão do conector para clusters de versão de imagem 2.2). Ela substitui a propriedade spark:spark.history.fs.gs.outputstream.sync.min.interval.ms anterior e aceita valores com sufixo de tempo, como ms, s e m. Ele controla a frequência com que os dados são transferidos para o Cloud Storage quando spark:spark.history.fs.gs.outputstream.type é definido como FLUSHABLE_COMPOSITE.
      --properties=spark:spark.history.fs.gs.outputstream.sync.min.interval=INTERVAL
      
    • dataproc:yarn.atsv2.bigtable.instance: depois de configurar o serviço de linha do tempo do Yarn v2, adicione essa propriedade para gravar dados da linha do tempo do YARN na instância especificada do Bigtable para visualização no cluster do PHS Serviço de linha do tempo do aplicativo YARN V2 e interfaces da Web Tez. Observação: a criação do cluster vai falhar se a instância do Bigtable não existir.
      --properties=dataproc:yarn.atsv2.bigtable.instance=projects/project-id/instance_id/bigtable-instance-id
      
    • flink:jobhistory.archive.fs.dir: o JobManager do Flink arquiva jobs concluídos do Flink fazendo upload das informações de jobs arquivados para um diretório do sistema de arquivos. Use essa propriedade para definir o diretório de arquivo em flink-conf.yaml.
      --properties=flink:jobmanager.archive.fs.dir=gs://bucket-name/job-cluster-1/flink-job-history/completed-jobs
      

Usar o PHS com cargas de trabalho em lote do Spark

Para usar o servidor de histórico permanente com o Serviço Gerenciado para Apache Spark sem servidor para cargas de trabalho em lote do Spark:

  1. Crie um cluster de PHS.

  2. Selecione ou especifique o cluster do PHS ao enviar uma carga de trabalho em lote do Spark.

Usar o PHS com o Serviço Gerenciado para Apache Spark no Google Kubernetes Engine

Para usar o servidor de histórico permanente com o Serviço Gerenciado para Apache Spark no GKE:

  1. Crie um cluster de PHS.

  2. Selecione ou especifique o cluster de PHS ao criar um cluster virtual do Serviço Gerenciado para Apache Spark no GKE.

Interfaces da Web do gateway de componentes

No console do Google Cloud , na página Clusters do Serviço Gerenciado para Apache Spark, clique no nome do cluster do PHS para abrir a página Detalhes do cluster. Na guia Interfaces da Web, selecione os links do gateway de componentes para abrir as interfaces da Web em execução no cluster do PHS.

Interface da Web do servidor de histórico do Spark

A captura de tela a seguir mostra a interface da Web do servidor de histórico do Spark exibindo links para jobs do Spark executados em job-cluster-1 e job-cluster-2 depois de configurar os locais spark.history.fs.logDirectory e spark:spark.eventLog.dir dos clusters de jobs e os locais spark.history.fs.logDirectory do cluster do PHS da seguinte maneira:

job-cluster-1 gs://example-cloud-storage-bucket/job-cluster-1/spark-job-history
job-cluster-2 gs://example-cloud-storage-bucket/job-cluster-2/spark-job-history
phs-cluster gs://example-cloud-storage-bucket/*/spark-job-history

É possível listar jobs por nome do app na interface da Web do servidor de histórico do Spark inserindo um nome de app na caixa de pesquisa. O nome do app pode ser definido de uma das seguintes maneiras (listadas por prioridade):

  1. Dentro do código do aplicativo ao criar o contexto do Spark.
  2. Definido pela propriedade spark.app.name quando o job é enviado.
  3. Definido pelo Serviço Gerenciado para Apache Spark como o nome completo do recurso REST para o job (projects/project-id/regions/region/jobs/job-id).

Os usuários podem inserir um termo de nome de app ou recurso na caixa Pesquisar para encontrar e listar jobs.

Logs de eventos

A interface da Web do servidor de histórico do Spark oferece um botão log de eventos em que você pode clicar para fazer o download dos logs de eventos do Spark. Esses registros são úteis para examinar o ciclo de vida do aplicativo Spark.

Jobs do Spark

Os aplicativos do Spark são divididos em vários jobs, que são divididos em vários estágios. Cada estágio pode ter várias tarefas, que são executadas em nós de executor (workers).

  • Clique em um ID de aplicativo do Spark na interface da Web para abrir a página "Jobs do Spark", que fornece uma linha do tempo de eventos e um resumo dos jobs no aplicativo.

  • Clique em um job para abrir a página "Detalhes do job" com um gráfico acíclico dirigido (DAG, na sigla em inglês) e um resumo dos estágios do job.

  • Clique em um estágio ou use a guia "Estágios" para selecionar um estágio e abrir a página de detalhes.

    A etapa inclui uma visualização do DAG, um cronograma do evento e métricas das tarefas na etapa. Use esta página para solucionar problemas relacionados a tarefas substituídas, atrasos no programador e erros de falta de memória. O visualizador do DAG mostra a linha de código derivada da etapa, ajudando a rastrear os problemas no código.

  • Clique na guia "Executors" para ver informações sobre os nós de driver e executor do aplicativo do Spark.

    Informações importantes nesta página incluem o número de núcleos e o número de tarefas executadas em cada executor.

Interface da Web do Tez

O Tez é o mecanismo de execução padrão para Hive e Pig no Serviço Gerenciado para Apache Spark. O envio de um job do Hive em um cluster de jobs do Serviço Gerenciado para Apache Spark inicia um aplicativo Tez.

Se você configurou o Yarn Timeline Service v2 e definiu a propriedade dataproc:yarn.atsv2.bigtable.instance ao criar os clusters de jobs do PHS e do Serviço Gerenciado para Apache Spark, o YARN grava os dados gerados da linha do tempo dos jobs do Hive e do Pig na instância especificada do Bigtable para recuperação e exibição na interface da Web do Tez em execução no servidor do PHS.

Interface da Web da linha do tempo do aplicativo YARN V2

Se você configurou o Yarn Timeline Service v2 e definiu a propriedade dataproc:yarn.atsv2.bigtable.instance ao criar os clusters de jobs do PHS e do Serviço Gerenciado para Apache Spark, o YARN grava os dados da linha do tempo do job gerados na instância especificada do Bigtable para recuperação e exibição na interface da Web do YARN Application Timeline Service em execução no servidor PHS. Os jobs do Serviço Gerenciado para Apache Spark estão listados na guia Atividade do fluxo na interface da Web.

Configurar o Yarn Timeline Service v2

Para configurar o Yarn Timeline Service v2, configure uma instância do Bigtable e, se necessário, verifique os papéis da conta de serviço, da seguinte maneira:

  1. Crie uma instância do Bigtable.

  2. Verifique os papéis da conta de serviço, se necessário. A conta de serviço de VM padrão usada pelas VMs do cluster do Dataproc tem as permissões necessárias para criar e configurar a instância do Bigtable para o serviço de linha do tempo do YARN. Se você criar o job ou o cluster do PHS com uma conta de serviço de VM personalizada, ela precisará ter o papel Administrator ou Bigtable User do Bigtable.

Esquema de tabela obrigatório

O suporte do PHS do Serviço Gerenciado para Apache Spark para o YARN Timeline Service v2 requer um esquema específico criado na instância do Bigtable. O Serviço Gerenciado para Apache Spark cria o esquema necessário quando um cluster de job ou de PHS é criado com a propriedade dataproc:yarn.atsv2.bigtable.instance definida para apontar para a instância do Bigtable.

Veja a seguir o esquema de instância do Bigtable necessário:

Tabelas Grupos de colunas
prod.timelineservice.application c,i,m
prod.timelineservice.app_flow m
prod.timelineservice.entity c,i,m
prod.timelineservice.flowactivity i
prod.timelineservice.flowrun i
prod.timelineservice.subapplication c,i,m

Coleta de lixo do Bigtable

É possível configurar a coleta de lixo do Bigtable com base na idade para tabelas do ATSv2:

  • Instale a cbt, incluindo a criação do .cbrtc file.

  • Crie a política de coleta de lixo baseada em idade do ATSv2:

export NUMBER_OF_DAYS = number \
cbt setgcpolicy prod.timelineservice.application c maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.application i maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.application m maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.app_flow m maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.entity c maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.entity i maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.entity m maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.flowactivity i maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.flowrun i maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.subapplication c maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.subapplication i maxage=${NUMBER_OF_DAYS} \
cbt setgcpolicy prod.timelineservice.subapplication m maxage=${NUMBER_OF_DAYS}

Observações:

NUMBER_OF_DAYS: o número máximo de dias é 30d.