Cluster skalieren

Nachdem Sie einen Managed Service for Apache Spark-Cluster erstellt haben, können Sie den Cluster anpassen ("skalieren"), indem Sie die Anzahl der primären oder sekundären Worker-Knoten (horizontale Skalierung) im Cluster erhöhen oder verringern. Managed Service for Apache Spark-Cluster können jederzeit skaliert werden, auch wenn Jobs auf dem Cluster ausgeführt werden. Der Maschinentyp eines vorhandenen Clusters (vertikale Skalierung) kann nicht geändert werden. Erstellen Sie zur vertikalen Skalierung einen Cluster mit einem unterstützten Maschinentyp, migrieren Sie dann Jobs zum neuen Cluster.

Autoscaling für Managed Service for Apache Spark verwenden Aktivieren Sie Autoscaling , statt Cluster manuell zu skalieren, damit Managed Service for Apache Spark für Ihre Arbeitslasten die "richtige" Anzahl von Workern festlegt.

Sie können einen Managed Service for Apache Spark-Cluster für Folgendes skalieren:

1. Erhöhen der Anzahl der Worker, um die Ausführung eines Jobs zu beschleunigen.
2. Reduzieren der Anzahl der Worker, um Geld zu sparen. (Beachten Sie beim Reduzieren eines Clusters die ordnungsgemäße Außerbetriebnahme , um den Verlust laufender Aufgaben zu vermeiden.)
3. Erhöhen der Anzahl vorhandener Knoten, um verfügbaren Hadoop Distributed File System (HDFS)-Speicher zu erweitern.

Hinweis: Sie können einen Cluster mit einem einzelnen Knoten nicht skalieren.

Da Cluster mehrmals skaliert werden können, kann es sinnvoll sein, die Clustergröße einmalig zu erhöhen oder zu verringern und dann zu einem späteren Zeitpunkt zu verringern oder zu erhöhen.

Empfehlungen:

• Worker vorsichtig entfernen: Sorgen Sie beim Entfernen von Workern aus dem Cluster dafür, dass die neue Clustergröße ausreichend groß ist, um den Workload zu bewältigen. Andernfalls kann die Verarbeitung Ihrer Jobs ungewöhnlich lange dauern oder hängen bleiben.

• Primäre Worker nicht skalieren:HDFS-Knotenknoten werden von primären Workern ausgeführt, sekundäre Worker dagegen nur Computing-Worker. Die Skalierung primärer Worker birgt Risiken. Beispielsweise können HDFS-NameNodes während Skalierungsvorgängen mehrere Race-Bedingungen aufweisen, die dazu führen können, dass HDFS beschädigt wird und die Außerbetriebnahme auf unbestimmte Zeit hängen bleibt. Weitere Informationen finden Sie unter Primäre Worker nicht skalieren.

Skalierung verwenden

Es gibt drei Möglichkeiten, Ihren Managed Service for Apache Spark-Cluster zu skalieren:

1. Verwenden Sie das gcloud Befehlszeilentool in der gcloud CLI.
2. Bearbeiten Sie die Clusterkonfiguration in der Google Cloud Console.
3. Verwenden der Rest API.

Neue Worker, die einem Cluster hinzugefügt wurden, verwenden den gleichen Maschinentyp wie bestehende Worker. Beispiel: Wird ein Cluster mit Workern des Maschinentyps n1-standard-8 erstellt, so nutzen neue Worker ebenfalls den Maschinentyp n1-standard-8.

Hinweis: Managed Service for Apache Spark unterstützt keine Änderung der Worker-Größe (vCPUs, Arbeitsspeicher, nichtflüchtiger Speicher), wenn Sie Worker einem Cluster hinzufügen.

Sie können die Anzahl der primären Worker, der sekundären Worker (Worker auf Abruf) oder beider skalieren. Wenn Sie beispielsweise nur die Anzahl der Worker (auf Abruf) skalieren, bleibt die Anzahl der primären Worker unverändert.

gcloud

gcloud CLI-Einrichtung: Sie müssen die gcloud CLI einrichten und konfigurieren , um die Google Cloud CLI zu verwenden.

Führen Sie den folgenden Befehl aus, um einen Cluster mit gcloud dataproc clusters update, zu skalieren:

gcloud dataproc clusters update cluster-name \
    --region=region \
    [--num-workers and/or --num-secondary-workers]=new-number-of-workers

Dabei ist cluster-name der Name des zu aktualisierenden Clusters und new-number-of-workers die aktualisierte Anzahl der primären und/oder sekundären Worker-Knoten. Wenn Sie beispielsweise einen Cluster namens "dataproc-1" zur Verwendung von fünf Worker-Knoten skalieren möchten, führen Sie den folgenden Befehl aus:

gcloud dataproc clusters update dataproc-1 \
    --region=region \
    --num-workers=5
...
Waiting on operation [operations/projects/project-id/operations/...].
Waiting for cluster update operation...done.
Updated [https://dataproc.googleapis.com/...].
clusterName: my-test-cluster
...
  masterDiskConfiguration:
    bootDiskSizeGb: 500
  masterName: dataproc-1-m
  numWorkers: 5
  ...
  workers:
  - my-test-cluster-w-0
  - my-test-cluster-w-1
  - my-test-cluster-w-2
  - my-test-cluster-w-3
  - my-test-cluster-w-4
...

REST API

Weitere Informationen finden Sie unter cluster.patch.

Beispiel

PATCH /v1/projects/project-id/regions/us-central1/clusters/example-cluster?updateMask=config.worker_config.num_instances,config.secondary_worker_config.num_instances
{
  "config": {
    "workerConfig": {
      "numInstances": 4
    },
    "secondaryWorkerConfig": {
      "numInstances": 2
    }
  },
  "labels": null
}

Anfrage zur Clustereraktualisierung über die Console stellen: Sie können in der Console auf den Link Entsprechende REST-Anfrage/-Antwort unten auf der Seite „Managed Service for Apache Spark-Clusterdetails“ → „Konfiguration“ klicken, damit die Console eine entsprechende API REST PATCH-Anfrage erstellt.

Google Cloud

Console

Wenn Sie einen Cluster nach dessen Erstellung skalieren möchten, wechseln Sie zur Seite Google Cloud Console Cluster und öffnen die Seite Clusterdetails für den betreffenden Cluster. Klicken Sie dann auf dem Tab Konfiguration auf den Button Bearbeiten. Geben Sie einen neuen Wert für die Anzahl der Worker-Knoten und/oder Worker-Knoten auf Abruf ein (im folgenden Screenshot auf "5" bzw. "2" aktualisiert). Klicken Sie auf Speichern , um den Cluster zu aktualisieren.

Auswahl von Clusterknoten zum Entfernen durch Managed Service for Apache Spark

Bei Clustern, die mit Image-Versionen 1.5.83+, 2.0.57+, und 2.1.5+, erstellt wurden, versucht Managed Service for Apache Spark beim Herunterskalieren eines Clusters, die Auswirkungen des Entfernens von Knoten auf laufende YARN-Anwendungen zu minimieren. Dazu werden zuerst inaktive, fehlerhafte und inaktive Knoten entfernt und dann Knoten mit den wenigsten laufenden YARN-Anwendungsmastern und laufenden Containern.

Ordnungsgemäße Außerbetriebnahme

Wenn Sie einen Cluster herunterskalieren, werden laufende Aufgaben möglicherweise beendet bevor sie abgeschlossen sind. Wenn Sie Managed Service for Apache Spark v 1.2 oder höher verwenden, können Sie die ordnungsgemäße Außerbetriebnahme verwenden, einschließlich der ordnungsgemäßen Außerbetriebnahme von YARN-Knoten. Damit werden laufende Aufgaben für einen Worker beendet, bevor sie aus dem Cloud Managed Service for Apache Spark-Cluster entfernt werden.

Hinweis: Ein Worker wird erst dann aus einem Cluster entfernt, wenn die Ausführung der YARN-Anwendungen abgeschlossen ist.

Ordnungsgemäße Außerbetriebnahme und sekundäre Worker

Die sekundäre Worker-Gruppe (Worker-Gruppe auf Abruf) stellt Worker weiter bereit oder löscht sie, um die erwartete Größe zu erreichen, nachdem ein Cluster-Skalierungsvorgang als abgeschlossen markiert wurde. Wenn Sie versuchen, einen sekundären Worker ordnungsgemäß außer Betrieb zu nehmen und eine ähnliche Fehlermeldung erhalten:

"Die sekundäre Worker-Gruppe kann nicht außerhalb von Managed Service for Apache Spark geändert werden. Wenn Sie diesen Cluster vor Kurzem erstellt oder aktualisiert haben, warten Sie einige Minuten, bevor Sie ihn ordnungsgemäß außer Betrieb nehmen, damit alle sekundären Instanzen hinzugefügt bzw. aus dem Cluster entfernt werden können. Erwartete Größe der sekundären Worker-Gruppe: x, tatsächliche Größe: y",

warten Sie einige Minuten und wiederholen Sie dann die Anfrage zur ordnungsgemäßen Außerbetriebnahme.

Hinweis:

• Sie können präemptive Worker jederzeit zwangsweise außer Betrieb nehmen.
• Primäre Worker werden immer ordnungsgemäß außer Betrieb genommen.

Ordnungsgemäße Außerbetriebnahme verwenden

Die ordnungsgemäße Außerbetriebnahme von Managed Service for Apache Spark umfasst auch die ordnungsgemäße Außerbetriebnahme von YARN-Knoten. Damit werden laufende Aufgaben für einen Worker beendet, bevor sie aus dem Managed Service for Apache Spark-Cluster entfernt werden. Die ordnungsgemäße Außerbetriebnahme ist standardmäßig deaktiviert. Sie kann aktiviert werden, indem Sie einen Zeitüberschreitungswert festlegen, wenn Sie Ihren Cluster aktualisieren, um einen oder mehrere Worker aus dem Cluster zu entfernen.

gcloud

Wenn Sie einen Cluster aktualisieren, um einen oder mehrere Worker zu entfernen, verwenden Sie den Befehl gcloud dataproc clusters update mit dem Flag --graceful-decommission-timeout. Die Zeitüberschreitungswerte (String) können den Wert "0s" (Standardeinstellung; erzwungene Außerbetriebnahme, nicht ordnungsgemäß) oder eine positive Dauer relativ zum aktuellen Zeitpunkt (z. B. "3s") haben. Die maximale Dauer beträgt 1 Tag.

Dauer: Geben Sie die Dauer für eine ordnungsgemäße Außerbetriebnahme mit einer nicht-negativen ganzen Zahl mit einem der folgenden Kleinbuchstaben an: "s", "m", "h" oder "d" für Sekunden, Minuten, Stunden oder Tage. Die maximale Dauer für die ordnungsgemäße Außerbetriebnahme ist "1d" (ein Tag). Wenn das Suffix weggelassen wird, wird von Sekunden ausgegangen.

gcloud dataproc clusters update cluster-name \
    --region=region \
    --graceful-decommission-timeout="timeout-value" \
    [--num-workers and/or --num-secondary-workers]=decreased-number-of-workers \
    ... other args ...

REST API

Weitere Informationen finden Sie unter clusters.patch.gracefulDecommissionTimeout. Die Zeitüberschreitungswerte (String) können den Wert "0" (Standardeinstellung; erzwungene Außerbetriebnahme, nicht ordnungsgemäß) oder eine Dauer in Sekunden (z. B. "3s") haben. Die maximale Dauer beträgt 1 Tag.

Console

Wenn Sie für einen Cluster nach dessen Erstellung die ordnungsgemäße Außerbetriebnahme auswählen möchten, wechseln Sie zur Seite Google Cloud console Clusters in der Console und öffnen die Seite Cluster details für den betreffenden Cluster. Klicken Sie dann auf dem Tab Configuration auf den Button Edit. Wählen Sie im Abschnitt Ordnungsgemäße Außerbetriebnahme die Option Ordnungsgemäße Außerbetriebnahme verwenden aus und wählen Sie dann einen Zeitüberschreitungswert aus. Klicken Sie auf Speichern , um den Cluster zu aktualisieren.

Herunterskalierungsvorgang mit ordnungsgemäßer Außerbetriebnahme abbrechen

Bei Managed Service for Apache Spark-Clustern, die mit Image-Versionen 2.0.57+ oder 2.1.5+, erstellt wurden, können Sie den gcloud dataproc operations cancel Befehl ausführen oder eine Managed Service for Apache Spark API operations.cancel Anfrage senden, um einen Herunterskalierungsvorgang mit ordnungsgemäßer Außerbetriebnahme abzubrechen.

Sie können den Ressourcennamen einschließlich der ID eines Herunterskalierungsvorgangs abrufen, indem Sie gcloud dataproc operations list ausführen oder eine Managed Service for Apache Spark API operations.list -Anfrage senden.

Wenn Sie einen Scaledown-Vorgang zur ordnungsgemäßen Außerbetriebnahme abbrechen:

• Worker im Status DECOMMISSIONING werden wieder in Betrieb genommen und haben nach Abschluss des Abbruchs des Vorgangs den Status ACTIVE.

• Wenn der Herunterskalierungsvorgang Label-Updates umfasst, werden die Updates möglicherweise nicht übernommen.

Hinweis: Das Abbrechen eines Herunterskalierungsvorgangs erfolgt asynchron. Managed Service for Apache Spark unternimmt alles, um den Vorgang abzubrechen, aber der Erfolg des Abbruchs kann nicht garantiert werden.

Sie können den Status der Abbruchanfrage mit dem Befehl gcloud dataproc operations describe oder einer operations.get Anfrage der Managed Service for Apache Spark API überprüfen. Wenn der Abbruchvorgang erfolgreich ist, wird der Status des inneren Vorgangs als CANCELLED markiert.