Prácticas recomendadas de Managed Service para Apache Spark para la producción

En este documento, se analizan las prácticas recomendadas de Managed Service para Apache Spark que pueden ayudarte a ejecutar trabajos de procesamiento de datos confiables, eficientes y reveladores en clústeres de Managed Service para Apache Spark en entornos de producción.

Especifica las versiones de imágenes de clúster

Managed Service para Apache Spark usa versiones de imágenes para agrupar el sistema operativo, los componentes de macrodatos y, los Google Cloud conectores en un paquete que se implementa en un clúster. Si no especificas una versión de imagen cuando creas un clúster, Managed Service para Apache Spark usa de forma predeterminada la versión de imagen estable más reciente.

Para los entornos de producción, asocia tu clúster con una versión de imagen major.minor específica de Managed Service para Apache Spark, como se muestra en el siguiente comando de gcloud CLI.

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

Dataproc resuelve la versión major.minor a la versión secundaria más reciente (2.0 se resuelve en 2.0.x). Nota: Si necesitas depender de una versión secundaria específica para tu clúster, puedes especificarla, por ejemplo, --image-version=2.0.x. Consulta Cómo funciona el control de versiones para obtener más información.

Versiones de imágenes de vista previa de Managed Service para Apache Spark

Las versiones secundarias nuevas de las imágenes de Managed Service para Apache Spark están disponibles en una versión preview antes del lanzamiento en el seguimiento de versiones de imágenes secundarias estándar. Usa una imagen de vista previa para probar y validar tus trabajos en una versión de imagen secundaria nueva antes de adoptar la versión de imagen secundaria estándar en producción. Consulta Control de versiones de Managed Service para Apache Spark para obtener más información.

Usa imágenes personalizadas cuando sea necesario

Si tienes dependencias para agregar al clúster, como bibliotecas nativas de Python, o software de protección contra virus o refuerzo de seguridad, crea una imagen personalizada a partir de la imagen más reciente en tu seguimiento de versiones de imágenes secundarias de destino. Esta práctica te permite cumplir con los requisitos de dependencia cuando creas clústeres con tu imagen personalizada. Cuando vuelvas a compilar tu imagen personalizada para actualizar los requisitos de dependencia, usa la versión de imagen secundaria más reciente disponible dentro del seguimiento de imágenes secundarias.

Envía trabajos a Managed Service para Apache Spark

Envía trabajos a Managed Service para Apache Spark con una jobs.submit mediante la gcloud CLI o la Google Cloud consola. Configura los permisos de trabajo y clúster otorgando roles de Managed Service para Apache Spark. Usa roles personalizados para separar el acceso al clúster de los permisos de envío de trabajos.

Beneficios de enviar trabajos a Managed Service para Apache Spark:

  • No se requieren parámetros de configuración de red complicados: se puede acceder a la API de forma generalizada.
  • Es fácil administrar los permisos y roles de IAM.
  • Realiza un seguimiento del estado del trabajo con facilidad: no hay metadatos de trabajo de Managed Service para Apache Spark que compliquen los resultados.

En producción, ejecuta trabajos que solo dependan de dependencias a nivel del clúster en una versión de imagen secundaria fija (por ejemplo, --image-version=2.0). Agrupa las dependencias con los trabajos cuando se envían. Enviar un archivo uber jar a Spark o MapReduce es una forma común de hacerlo.

  • Ejemplo: Si un archivo jar de trabajo depende de args4j y spark-sql, con args4j específico para el trabajo y spark-sql una dependencia a nivel del clúster, agrupa args4j en el archivo uber jar del trabajo.

Controla las ubicaciones de las acciones de inicialización

Las acciones de inicialización te permiten ejecutar automáticamente secuencias de comandos o instalar componentes cuando creas un clúster de Managed Service para Apache Spark (consulta el repositorio de GitHub dataproc-initialization-actions para obtener acciones de inicialización comunes de Managed Service para Apache Spark). Cuando uses acciones de inicialización de clúster en un entorno de producción, copia las secuencias de comandos de inicialización en Cloud Storage en lugar de obtenerlas de un repositorio público. Esta práctica evita la ejecución de secuencias de comandos de inicialización que están sujetas a modificaciones por parte de otros usuarios.

Supervisa las notas de la versión de Managed Service para Apache Spark

Managed Service para Apache Spark lanza periódicamente versiones de imágenes secundarias nuevas. Consulta o suscríbete a las notas de la versión de Managed Service para Apache Spark para conocer los lanzamientos más recientes de versiones de imágenes de Managed Service para Apache Spark y otros anuncios, cambios y correcciones.

Consulta el bucket de etapa de pruebas para investigar las fallas

  1. Consulta el bucket de etapa de pruebas de tu clúster para investigar los mensajes de error del clúster y del trabajo. Por lo general, la ubicación de Cloud Storage del bucket de etapa de pruebas se muestra en los mensajes de error, como se muestra en el texto en negrita del siguiente mensaje de error de ejemplo:

    ERROR:
(gcloud.dataproc.clusters.create) Operation ... failed:
...
- Initialization action failed. Failed action ... see output in:
gs://dataproc-<BUCKETID>-us-central1/google-cloud-dataproc-metainfo/CLUSTERID/<CLUSTER_ID>\dataproc-initialization-script-0_output

  2. Usa gcloud CLI para ver el contenido del bucket de etapa de pruebas: 

    gcloud storage cat gs://STAGING_BUCKET
    Resultado de ejemplo: 
    + readonly RANGER_VERSION=1.2.0
... Ranger admin password not set. Please use metadata flag - default-password

Obtenga asistencia

Google Cloud admite tus cargas de trabajo de OSS de producción y te ayuda a cumplir con tus ANS empresariales a través de niveles de asistencia. Además, Google Cloud los Servicios de consultoría pueden brindar orientación sobre las prácticas recomendadas para las implementaciones de producción de tu equipo.

Más información