Control de versiones de Managed Service para Apache Spark

Managed Service para Apache Spark usa imágenes para unir los conectores útiles Google Cloud y los componentes de Apache Spark y Apache Hadoop en un paquete que se puede implementar en un clúster de Managed Service para Apache Spark. Estas imágenes contienen el sistema operativo base (Debian o Ubuntu) para el clúster, junto con los componentes principales y opcionales necesarios a fin de ejecutar trabajos, como Spark, Hadoop y Hive. Estas imágenes se actualizan periódicamente para incluir características y mejoras nuevas. El control de versiones de Managed Service para Apache Spark te permite seleccionar conjuntos de versiones de software cuando creas clústeres.

Cómo funciona el control de versiones

Cuando se crea una imagen, se asigna un número de versión de imagen en el siguiente formato:

version_major.version_minor.version_sub_minor-os_distribution

Se mantienen las siguientes distribuciones de SO:

Código de distribución de SO	Distribución de SO
debian12	Debian 12
debian10	Debian 10
debian11	Debian 11
rocky8	Rocky Linux 8
rocky9	Rocky Linux 9
ubuntu18	Ubuntu 18.04 LTS
ubuntu20	LTS de Ubuntu 20.04
ubuntu22	LTS de Ubuntu 22.04

Consulta las versiones anteriores de la imagen para las distribuciones del SO admitidas.

La práctica recomendada es especificar la versión de la imagen major.minor para los entornos de producción o cuando es importante la compatibilidad con versiones de componentes específicos. Las distribuciones del SO y subsecundarias se configuran automáticamente a la última versión semanal.

Seleccionar versiones

Cuando creas un clúster de Managed Service para Apache Spark nuevo, se usa la versión con imágenes de Debian más reciente de forma predeterminada. Puedes seleccionar una versión con imágenes de Debian, Rocky Linux o Ubuntu cuando crees un clúster (consulta la lista de versiones de imágenes de Managed Service para Apache Spark). Cuando especificas imágenes basadas en Debian, puedes omitir el sufijo del código de distribución del SO , por ejemplo, si especificas 2.0 para seleccionar la imagen 2.0-debian10. El sufijo del SO debe usarse para seleccionar una imagen basada en Rocky Linux o Ubuntu, por ejemplo, mediante la especificación de 2.0-ubuntu18.

Comando de gcloud

Cuando usas el comando gcloud dataproc clusters create, puedes usar el argumento --image-version a fin de especificar una versión con imágenes para el clúster nuevo.

Ejemplo de imagen de Debian:

gcloud dataproc clusters create CLUSTER_NAME \
    --image-version=2.0 \
    --region=REGION

Ejemplo de imagen de Ubuntu:

gcloud dataproc clusters create CLUSTER_NAME \
    --image-version=2.0-ubuntu18 \
    --region=REGION

Se recomienda omitir la versión subsecundaria para que se use la última versión subsecundaria. Sin embargo, si es necesario, se puede especificar la versión subsecundaria, por ejemplo, 2.0.20.

Puedes verificar tu versión actual con Google Cloud CLI.

gcloud dataproc clusters describe CLUSTER_NAME \
    --region=REGION

API de REST

Puedes especificar el campo SoftwareConfig imageVersion como parte de una solicitud a la API cluster.create.

Ejemplo

POST /v1/projects/project-id/regions/us-central1/clusters/
{
  "projectId": "project-id",
  "clusterName": "example-cluster",
  "config": {
    "configBucket": "",
    "gceClusterConfig": {
      "subnetworkUri": "default",
      "zoneUri": "us-central1-b"
    },
    "masterConfig": {
      ...
      }
    },
    "workerConfig": {
      ...
      }
    },
    "softwareConfig": {
      "imageVersion": "2.0"
    }
  }
}
  

Console

Abre la página Crea un clúster de Managed Service para Apache Spark . Se selecciona el panel Configurar clúster. El campo Tipo de imagen y Versión en la sección Control de versiones muestra la imagen que se usará cuando se crea el clúster. También se muestra la fecha de lanzamiento de la imagen. Inicialmente, la imagen predeterminada, la última versión disponible de Debian, se muestra como seleccionada. Haz clic en Cambiar para ver una lista de las imágenes disponibles. Puedes seleccionar una imagen personalizada o estándar para usar en el clúster.

Cuando se crean versiones nuevas

Se crean versiones principales nuevas periódicamente para incorporar uno o más de los siguientes elementos:

• Versiones principales de:
  • Spark, Hadoop y otros componentes de macrodatos
  • Google Cloud conectores
• Actualizaciones o cambios importantes en la funcionalidad de Managed Service para Apache Spark

Las versiones preliminares nuevas (con un sufijo -RC) se lanzan antes de la versión principal nueva:

• Las imágenes preliminares no están diseñadas para usarse en cargas de trabajo de producción.
• Las versiones de los componentes de la imagen preliminar se pueden actualizar a la versión de componente disponible más reciente en la versión de imagen de DG posterior a la versión preliminar.

Se crean versiones secundarias nuevas periódicamente para incorporar uno o más de los siguientes elementos:

• Actualizaciones y versiones secundarias de:
  • Spark, Hadoop y otros componentes de macrodatos
  • Google Cloud conectores
• Actualizaciones o cambios menores en la funcionalidad de Managed Service para Apache Spark

Cuando se crea un versión secundaria nueva, su imagen de Debian se convierte en el valor predeterminado para la versión principal y representa la última versión de la versión principal.

Se crean versiones subsecundarias nuevas periódicamente para incorporar uno o más de los siguientes elementos:

• Parches o correcciones para un componente en la imagen
• Actualizaciones de versiones subsecundarias de componentes

Versión de imagen y compatibilidad con Managed Service para Apache Spark

Las versiones con imágenes secundarias son compatibles durante 24 meses después del lanzamiento inicial de DG (disponibilidad general). Durante este período, los clústeres que usan estas versiones de imagen son aptos para la asistencia (para recibir correcciones, vuelve a crear el clúster mediante la última versión de imagen subsecundaria compatible). Una vez que se cerró la ventana de asistencia, los clústeres que usan las versiones de imagen no son aptos para asistencia.

Versiones de imagen anteriores

Distribuciones de SO admitidas previamente

Las siguientes distribuciones de SO se admitían previamente:

Código de distribución de SO	Distribución de SO	Lastltimo parche (fin de asistencia)
debian9	Debian 9	10 de julio de 2020
deb8	Debian 8	26 de octubre de 2018

Versiones de imagen sin distribución explícita de SO

Antes del 16 de agosto de 2018, las versiones de imágenes se compilaban con Debian 8 y omitían el código de distribución del SO. Se especifican en el siguiente formato:

version_major.version_minor.version_sub_minor

Versiones 0.1 y 0.2

Las versiones con imágenes lanzadas como Alfa o Beta antes de la disponibilidad general de la versión 1.0 de Managed Service para Apache Spark no están sujetas a la política de asistencia de Managed Service para Apache Spark.

Notas importantes sobre el control de versiones

• Las versiones de imagen contienen los siguientes componentes:
  • Componentes principales que se instalan en todos los clústeres, como Spark, Hadoop, y Hive
  • Componentes opcionales que especificas cuando creas un clúster
• Tus clústeres de Managed Service para Apache Spark no se actualizan automáticamente cuando se lanzan versiones de imagen nuevas.
  • Recomendaciones:
  • Ejecuta clústeres con la última versión de imagen subsecundaria. Los metadatos de la imagen incluyen una etiqueta previous-subminor, que se establece en true si el clúster no usa la última versión de imagen subsecundaria.
    • Para ver los metadatos de la imagen, haz lo siguiente:
      1. Ejecuta el siguiente gcloud compute images list --filter comando para enumerar el nombre del recurso de una imagen de Managed Service para Apache Spark.

         gcloud compute images list --project=PROJECT_NAME --filter="labels.goog-dataproc-version ~ ^IMAGE_VERSION (such as 2.2.16-debian12)"
         

      2. Ejecuta el siguiente gcloud compute images describe para ver los metadatos de la imagen.

         gcloud compute images describe --project=PROJECT_NAME IMAGE_NAME"
         

  • Prueba y valida que tus aplicaciones se ejecuten correctamente en los clústeres creados con versiones de imagen nuevas, en particular, cuando usas versiones de imagen principales nuevas.