Scalare i cluster

Dopo aver creato un cluster Managed Service for Apache Spark, puoi regolarlo ("scalare") aumentando o diminuendo il numero di nodi worker primari o secondari (scalabilità orizzontale) nel cluster. Puoi scalare un cluster Managed Service for Apache Spark in qualsiasi momento, anche quando i job sono in esecuzione sul cluster. Non puoi modificare il tipo di macchina di un cluster esistente (scalabilità verticale). Per scalare verticalmente, crea un cluster utilizzando un tipo di macchina supportato, poi esegui la migrazione dei job al nuovo cluster.

Utilizza la scalabilità automatica di Managed Service for Apache Spark. Anziché scalare manualmente i cluster, attiva la scalabilità automatica per consentire a Managed Service for Apache Spark di impostare il numero "giusto" di worker per i tuoi workload.

Puoi scalare un cluster Managed Service for Apache Spark per quanto segue:

1. per aumentare il numero di worker per velocizzare l'esecuzione di un job.
2. per ridurre il numero di worker e risparmiare (vedi Ritiro controllato come opzione da utilizzare quando si riduce un cluster per evitare di perdere il lavoro in corso).
3. per aumentare il numero di nodi per espandere lo spazio di archiviazione Hadoop Distributed File System (HDFS) disponibile.

Nota: non puoi scalare un cluster a un solo nodo.

Poiché i cluster possono essere scalati più di una volta, potresti voler aumentare o diminuire le dimensioni del cluster in una sola volta, per poi diminuirle o aumentarle in un secondo momento.

Consigli:

• Rimuovi i worker con cautela: se rimuovi i worker dal cluster, assicurati che la nuova dimensione del cluster sia sufficiente a gestire il tuo workload; in caso contrario, il completamento dei job potrebbe richiedere molto tempo o potrebbero smettere di rispondere.

• Evita di scalare i worker principali: i worker principali eseguono HDFS DataNode, mentre i worker secondari sono solo di calcolo. La scalabilità dei worker principali comporta dei rischi. Ad esempio, i NameNode HDFS possono presentare più condizioni di competizione durante le operazioni di scalabilità che possono causare il danneggiamento di HDFS e il blocco definitivo del ritiro. Per saperne di più, consulta la sezione Evitare di scalare i worker principali.

Utilizzare il ridimensionamento

Esistono tre modi per scalare il cluster Managed Service for Apache Spark:

1. Utilizza lo strumento a riga di comando gcloud in gcloud CLI.
2. Modifica la configurazione del cluster nella consoleGoogle Cloud .
3. Utilizza l'API REST.

I nuovi worker aggiunti a un cluster utilizzeranno lo stesso tipo di macchina dei worker esistenti. Ad esempio, se un cluster viene creato con worker che utilizzano il tipo di macchina n1-standard-8, anche i nuovi worker utilizzeranno il tipo di macchina n1-standard-8.

Nota: Managed Service for Apache Spark non supporta la modifica delle dimensioni dei worker (vCPU, memoria, disco permanente) quando aggiungi worker a un cluster.

Puoi scalare il numero di worker primari o il numero di worker secondari (preemptible) o entrambi. Ad esempio, se aumenti solo il numero di worker preemptive, il numero di worker principali rimane invariato.

gcloud

Configurazione di gcloud CLI: devi configurare gcloud CLI per utilizzare Google Cloud CLI.

Per scalare un cluster con gcloud dataproc clusters update, esegui questo comando:

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

dove cluster-name è il nome del cluster da aggiornare e new-number-of-workers è il numero aggiornato di nodi worker primari e/o secondari. Ad esempio, per scalare un cluster denominato "dataproc-1" in modo che utilizzi cinque nodi di lavoro primari, esegui il seguente comando.

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
...

API REST

Consulta clusters.patch.

Esempio

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
}

Consenti alla console di creare la richiesta di aggiornamento del cluster: Puoi fare clic sul link REST equivalente nella parte inferiore della pagina Dettagli cluster→Configurazione di Managed Service for Apache Spark della console Google Cloud per fare in modo che la console crei una richiesta PATCH API REST equivalente.

Console

Dopo aver creato un cluster, puoi scalare un cluster aprendo la pagina Dettagli cluster del cluster dalla pagina Cluster della Google Cloud console, quindi facendo clic sul pulsante Modifica nella scheda Configurazione. Inserisci un nuovo valore per il numero di nodi worker e/o nodi worker preemptive (aggiornati rispettivamente a "5" e "2" nello screenshot seguente). Fai clic su Salva per aggiornare il cluster.

Come Managed Service for Apache Spark seleziona i nodi del cluster da rimuovere

Nei cluster creati con versioni dell'immagine 1.5.83+, 2.0.57+, e 2.1.5+, quando viene ridimensionato un cluster, Managed Service for Apache Spark tenta di ridurre al minimo l'impatto della rimozione dei nodi sulle applicazioni YARN in esecuzione rimuovendo prima i nodi inattivi, non integri e inattivi, poi rimuovendo i nodi con il minor numero di master di applicazioni YARN e container in esecuzione.

Dismissione controllata

Quando riduci le dimensioni di un cluster, il lavoro in corso potrebbe interrompersi prima del completamento. Se utilizzi Managed Service for Apache Spark v 1.2 o versioni successive, puoi utilizzare il ritiro controllato, che incorpora il ritiro controllato dei nodi YARN per completare il lavoro in corso su un worker prima che venga rimosso dal cluster Managed Service for Apache Spark.

Nota: un worker non viene rimosso da un cluster finché le applicazioni YARN in esecuzione non sono terminate.

Ritiro controllato e worker secondari

Il gruppo di worker secondari (preemptive) continua a eseguire il provisioning o l'eliminazione dei worker per raggiungere le dimensioni previste anche dopo che un'operazione di scalabilità del cluster è contrassegnata come completata. Se tenti di ritirare in modo controllato un worker secondario e ricevi un messaggio di errore simile al seguente:

"Il gruppo di worker secondari non può essere modificato al di fuori di Managed Service for Apache Spark. Se hai creato o aggiornato di recente questo cluster, attendi qualche minuto prima di ritirarlo in modo controllato per consentire a tutte le istanze secondarie di entrare o uscire dal cluster. Dimensioni previste del gruppo di worker secondari: x, dimensioni effettive: y",

attendi qualche minuto, poi ripeti la richiesta di rimozione controllata.

Nota:

• Puoi dismettere forzatamente i worker preemptible in qualsiasi momento.
• Puoi ritirare i worker principali in modo controllato in qualsiasi momento

Utilizza la dismissione controllata

Il ritiro controllato di Managed Service for Apache Spark incorpora il ritiro controllato dei nodi YARN per completare il lavoro in corso su un worker prima che venga rimosso dal cluster Cloud Managed Service for Apache Spark. Per impostazione predefinita, rimozione controllata è disattivata. Puoi attivarla impostando un valore di timeout quando aggiorni il cluster per rimuovere uno o più worker dal cluster.

gcloud

Quando aggiorni un cluster per rimuovere uno o più worker, utilizza il comando gcloud dataproc clusters update con il flag --graceful-decommission-timeout. I valori di timeout (stringa) possono essere "0s" (valore predefinito; ritiro forzato e non controllato) o una durata positiva relativa all'ora corrente (ad esempio, "3s"). La durata massima è di 1 giorno.

Durate: specifica una durata di ritiro controllato come numero intero non negativo con uno dei seguenti suffissi in minuscolo: "s", "m", "h" o "d" per secondi, minuti, ore o giorni, rispettivamente. La durata massima per la rimozione controllata è "1d" (un giorno). Se il suffisso viene omesso, vengono usati i secondi.

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 ...

API REST

Consulta clusters.patch.gracefulDecommissionTimeout. I valori di timeout (stringa) possono essere "0" (valore predefinito; ritiro forzato e non controllato) o una durata in secondi (ad esempio, "3s"). La durata massima è di 1 giorno.

Console

Dopo aver creato un cluster, puoi selezionare rimozione controllata di un cluster aprendo la pagina Dettagli cluster per il cluster dalla pagina Cluster della consoleGoogle Cloud , quindi facendo clic sul pulsante Modifica nella scheda Configurazione. Nella sezione Ritiro controllato, seleziona Utilizza il ritiro controllato e poi seleziona un valore di timeout. Fai clic su Salva per aggiornare il cluster.

Annullamento di un'operazione di riduzione delle dimensioni rimozione controllata

Sui cluster Managed Service for Apache Spark creati con le versioni dell'immagine 2.0.57+ o 2.1.5+, puoi eseguire il comando gcloud dataproc operations cancel o inviare una richiesta operations.cancel all'API Managed Service for Apache Spark per annullare un'operazione di rimozione controllata con riduzione delle dimensioni.

Puoi ottenere il nome della risorsa, incluso l'ID, di un'operazione di riduzione eseguendo gcloud dataproc operations list o inviando una richiesta operations.list dell'API Managed Service for Apache Spark.

Quando annulli un'operazione di riduzione delle dimensioni della rimozione controllata:

• I worker nello stato DECOMMISSIONING vengono riassegnati e diventano ACTIVE al termine dell'annullamento dell'operazione.

• Se l'operazione di scale down include aggiornamenti delle etichette, questi potrebbero non essere applicati.

Nota: l'annullamento di un'operazione di riduzione è asincrono. Managed Service for Apache Spark fa il possibile per annullare l'operazione, ma la riuscita dell'annullamento non è garantita.

Per verificare lo stato della richiesta di annullamento, puoi eseguire il comando gcloud dataproc operations describe o inviare una richiesta operations.get API Managed Service for Apache Spark. Se l'operazione di annullamento ha esito positivo, lo stato dell'operazione interna viene contrassegnato come CANCELLED.