Best practice di Managed Service per Apache Spark per la produzione

Questo documento illustra le best practice di Managed Service for Apache Spark che possono aiutarti a eseguire job di elaborazione dei dati affidabili, efficienti e approfonditi sui cluster Managed Service for Apache Spark negli ambienti di produzione.

Specifica le versioni delle immagini del cluster

Managed Service for Apache Spark utilizza le versioni delle immagini per raggruppare il sistema operativo, i componenti big data e i Google Cloud connettori in un pacchetto di cui viene eseguito il deployment su un cluster. Se non specifichi una versione dell'immagine durante la creazione di un cluster, Managed Service for Apache Spark utilizza per impostazione predefinita la versione stabile più recente dell'immagine.

Per gli ambienti di produzione, associa il cluster a una versione specifica dell'immagine major.minor Managed Service for Apache Spark, come mostrato nel seguente comando gcloud CLI.

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

Dataproc risolve la versione major.minor nella versione secondaria più recente (2.0 viene risolta in 2.0.x). Nota: se devi fare affidamento su una versione secondaria specifica per il tuo cluster, puoi specificarla: ad esempio, --image-version=2.0.x. Per saperne di più, consulta Come funziona il controllo delle versioni.

Versioni delle immagini di anteprima di Managed Service for Apache Spark

Le nuove versioni secondarie delle immagini di Managed Service for Apache Spark sono disponibili in una versione preview prima del rilascio nel track della versione secondaria standard dell'immagine. Utilizza un'immagine di anteprima per testare e convalidare i job rispetto a una nuova versione secondaria dell'immagine prima di adottare la versione secondaria standard dell'immagine in produzione. Per saperne di più, consulta la sezione Controllo delle versioni di Managed Service for Apache Spark.

Utilizza immagini personalizzate quando necessario

Se devi aggiungere dipendenze al cluster, ad esempio librerie Python native o software di protezione da virus o rafforzamento della sicurezza, crea un'immagine personalizzata dall'ultima immagine nella traccia della versione dell'immagine secondaria di destinazione. Questa pratica ti consente di soddisfare i requisiti di dipendenza quando crei cluster utilizzando la tua immagine personalizzata. Quando ricompili l'immagine personalizzata per aggiornare i requisiti delle dipendenze, utilizza la versione dell'immagine secondaria più recente disponibile all'interno della traccia dell'immagine secondaria.

Inviare job a Managed Service for Apache Spark

Invia job a Managed Service for Apache Spark con una chiamata jobs.submit utilizzando gcloud CLI o la console Google Cloud . Imposta le autorizzazioni per job e cluster concedendo i ruoli Managed Service for Apache Spark. Utilizza ruoli personalizzati per separare l'accesso al cluster dalle autorizzazioni di invio dei job.

Vantaggi dell'invio di job a Managed Service for Apache Spark:

  • Non sono necessarie impostazioni di rete complicate: l'API è ampiamente raggiungibile
  • Ruoli e autorizzazioni IAM facili da gestire
  • Monitora facilmente lo stato dei job: non sono presenti metadati dei job Managed Service for Apache Spark che complicano i risultati.

In produzione, esegui i job che dipendono solo dalle dipendenze a livello di cluster a una versione secondaria fissa dell'immagine (ad esempio, --image-version=2.0). Raggruppa le dipendenze con i job quando vengono inviati. L'invio di un uber jar a Spark o MapReduce è un modo comune per farlo.

  • Esempio: se un file JAR del job dipende da args4j e spark-sql, con args4j specifico per il job e spark-sql una dipendenza a livello di cluster, raggruppa args4j nel file JAR uber del job.

Controllare le posizioni delle azioni di inizializzazione

Le azioni di inizializzazione consentono di eseguire automaticamente script o installare componenti quando crei un cluster Managed Service for Apache Spark (consulta il repository GitHub dataproc-initialization-actions per le azioni di inizializzazione comuni di Managed Service for Apache Spark). Quando utilizzi le azioni di inizializzazione del cluster in un ambiente di produzione, copia gli script di inizializzazione in Cloud Storage anziché recuperarli da un repository pubblico. Questa pratica evita l'esecuzione di script di inizializzazione soggetti a modifiche da parte di altri.

Monitorare le note di rilascio di Managed Service for Apache Spark

Managed Service for Apache Spark rilascia regolarmente nuove versioni secondarie delle immagini. Visualizza o iscriviti alle note di rilascio di Managed Service for Apache Spark per essere al corrente degli ultimi rilasci delle versioni delle immagini di Managed Service for Apache Spark e di altri annunci, modifiche e correzioni.

Visualizza il bucket di staging per esaminare gli errori

  1. Esamina il bucket di staging del cluster per analizzare i messaggi di errore del cluster e del job. In genere, la posizione del bucket di staging in Cloud Storage viene mostrata nei messaggi di errore, come mostrato nel testo in grassetto nel seguente messaggio di errore di esempio:

    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. Utilizza gcloud CLI per visualizzare i contenuti del bucket di staging: 

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

Assistenza

Google Cloud supporta i tuoi workload OSS di produzione e ti aiuta a rispettare i tuoi SLA aziendali tramite livelli di assistenza. Inoltre, Google Cloud Consulting Services può fornire indicazioni sulle best practice per le implementazioni di produzione del tuo team.

Per ulteriori informazioni