Utiliser Lightning Engine

Lightning Engine est la nouvelle génération de performances Apache Spark. Il introduit des améliorations exclusives conçues pour offrir des améliorations substantielles en termes de performances, de rentabilité et de stabilité opérationnelle.

Avantages

Voici quelques avantages de Lightning Engine :

• Opérations sur les données accélérées : obtenez des gains de performances et des économies de coûts importants grâce à des optimisations de l'interaction avec le stockage cloud, y compris la gestion des métadonnées, les charges de travail d'écriture et les E/S vectorisées.

• Exécution intelligente des requêtes : profitez des améliorations avancées de l'optimiseur qui réduisent dynamiquement les données analysées, optimisent le traitement des données et génèrent des plans d'exécution plus efficaces pour des requêtes plus rapides et plus économiques.

• Charges de travail d'IA et de ML simplifiées : réduisez les temps de démarrage des clusters pour les charges de travail basées sur GPU et simplifiez le déploiement dans des environnements sécurisés à l'aide d'images optimisées pour l'IA.

Bien que Lightning Engine offre des gains de performances considérables, l'impact spécifique varie en fonction de la charge de travail. Il est particulièrement adapté aux tâches gourmandes en calcul qui exploitent les API Spark DataFrame, Spark Dataset et les requêtes Spark SQL, plutôt qu'aux opérations liées aux E/S.

Comparaison avec le moteur standard

Lightning Engine est une alternative au moteur standard utilisé pour exécuter les jobs Spark sur un cluster Managed Service pour Apache Spark. Le tableau suivant compare Lightning Engine aux propriétés d'activation du moteur standard, à l'applicabilité de la charge de travail et aux principaux avantages.

Fonctionnalité	Moteur standard	Lightning Engine
Option de la CLI	--engine=default ou désactiver l'option	--engine=lightning
Recommandé pour	Tâches à usage général, développement et tests	Charges de travail à l'échelle de l'entreprise nécessitant une accélération importante
Principaux avantages	Performances de référence	Interaction optimisée avec le stockage cloud, exécution intelligente des requêtes

Conditions requises

Les exigences suivantes s'appliquent à la fonctionnalité Lightning Engine :

• Version de l'image : Lightning Engine doit être utilisé avec la version 2.3.3 ou ultérieure de l'image Managed Service pour Apache Spark.
• Tâches compatibles : Spark, PySpark, SparkSQL et SparkR sont compatibles. Le moteur standard s'exécute sur d'autres types de jobs envoyés à un cluster Lightning Engine.

Exécution de requêtes natives

L'exécution de requêtes natives (NQE, Native Query Execution) est un composant optionnel de Lightning Engine qui permet d'accélérer davantage certains jobs. Il s'agit d'un moteur natif basé sur Apache Gluten et Velox, optimisé pour le matériel Google, qui améliore les performances en exécutant des parties d'une requête Spark en dehors de la JVM.

Le NQE est recommandé pour :

Tâches gourmandes en calcul qui exploitent les API Spark DataFrame et Spark Dataset, ainsi que les requêtes Spark SQL qui lisent les données des fichiers Parquet et ORC. Le format du fichier de sortie n'a aucune incidence sur ses performances.

La NQE n'est pas recommandée pour :

 Jobs qui reposent fortement sur les ensembles de données distribués résilients (RDD), les fonctions définies par l'utilisateur (UDF), la plupart des bibliothèques Spark ML (machine learning) et les opérations liées aux E/S avec des délais dus à l'accès au stockage.

Conditions requises

Les exigences suivantes s'appliquent à la fonctionnalité d'exécution de requêtes natives :

• Moteur d'exécution : NQE n'est disponible que sur les clusters activés avec le moteur Lightning lors de la création du cluster.

• Système d'exploitation : seuls les systèmes d'exploitation Debian-12 et Ubuntu-22 sont compatibles. Les jobs compatibles avec NQE qui utilisent un autre OS échoueront.

• Tâches compatibles : Spark, PySpark, SparkSQL et SparkR. Le moteur standard s'exécutera (sans NQE) sur les autres types de tâches envoyés à un cluster Lightning Engine.

• Types de machines : seules les familles de machines utilisant des processeurs Intel ou AMD sont compatibles. Les jobs compatibles avec NQE qui utilisent des processeurs ARM échoueront (mais pourront bénéficier de Lightning Engine sans NQE).

• Aucun GPU ni accélérateur : les jobs compatibles avec NQE envoyés sur des accélérateurs GPU échoueront (mais pourront bénéficier de Lightning Engine sans NQE).

• Types de données : les entrées des types de données suivants ne sont pas acceptées :

  • Octet : ORC et Parquet
  • Struct, Array, Map : Parquet

Tarifs

Pour en savoir plus sur les tarifs, consultez la page Tarifs de Managed Service pour Apache Spark.

Créer un cluster Lightning Engine

Cette section vous explique comment créer un cluster Managed Service pour Apache Spark qui permet à Lightning Engine d'exécuter les jobs Spark envoyés au cluster.

Vous pouvez également activer l'exécution de requêtes natives (NQE) sur le cluster lorsque vous le créez, ou vous pouvez activer la NQE ultérieurement pour des jobs Spark spécifiques envoyés au cluster.

Avant de commencer

Connectez-vous à votre compte Google Cloud . Si vous débutez sur Google Cloud, créez un compte pour évaluer les performances de nos produits en conditions réelles. Les nouveaux clients bénéficient également de 300 $ de crédits sans frais pour exécuter, tester et déployer des charges de travail.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that you have the permissions required to complete this guide.

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

Installez la Google Cloud CLI.

Remarque : Si vous avez déjà installé la gcloud CLI, assurez-vous que vous disposez de la dernière version en exécutant gcloud components update.

Si vous utilisez un fournisseur d'identité (IdP) externe, vous devez d'abord vous connecter à la gcloud CLI avec votre identité fédérée.

Pour initialiser la gcloud CLI, exécutez la commande suivante :

gcloud init

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that you have the permissions required to complete this guide.

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc API.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the API

Installez la Google Cloud CLI.

Remarque : Si vous avez déjà installé la gcloud CLI, assurez-vous que vous disposez de la dernière version en exécutant gcloud components update.

Si vous utilisez un fournisseur d'identité (IdP) externe, vous devez d'abord vous connecter à la gcloud CLI avec votre identité fédérée.

Pour initialiser la gcloud CLI, exécutez la commande suivante :

gcloud init

Rôles requis

Certains rôles IAM sont requis pour créer un cluster Managed Service pour Apache Spark et envoyer des jobs au cluster. Selon les règles d'administration, il est possible qu'un propriétaire de projet Cloud ou un administrateur de service vous ait déjà attribué ces rôles ou les ait attribués à un compte de service. Pour vérifier les attributions de rôle, consultez Dois-je attribuer des rôles ?.

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Rôles utilisateur

Pour obtenir les autorisations nécessaires pour créer un cluster Managed Service for Apache Spark, demandez à votre administrateur de vous accorder les rôles IAM suivants :

• Toutes :
  • Éditeur Dataproc (roles/dataproc.editor) sur le projet
  • Utilisateur du compte de service (roles/iam.serviceAccountUser) sur le compte de service Compute Engine par défaut

Rôle du compte de service

Pour vous assurer que le compte de service Compute Engine par défaut dispose des autorisations nécessaires pour créer un cluster Managed Service for Apache Spark, demandez à votre administrateur d'accorder le rôle IAM Nœud de calcul Dataproc (roles/dataproc.worker) au compte de service Compute Engine par défaut sur le projet.

Important : Vous devez attribuer ce rôle au compte de service Compute Engine par défaut, et non à votre compte utilisateur. Si vous ne l'accordez pas au bon compte principal, vous risquez de rencontrer des erreurs d'autorisation.

Créer le cluster

Les exemples suivants vous montrent comment créer un cluster Lightning Engine à l'aide de la console Google Cloud , de Google Cloud CLI, de l'API Dataproc, des bibliothèques clientes Cloud pour Python ou de Terraform. Vous pouvez également créer un cluster avec le moteur Lightning activé à l'aide des bibliothèques clientes Cloud Go, Java et Node.js.

Console

1. Dans la console Google Cloud , accédez à Créer un cluster Apache Spark sur Compute Engine. Pour en savoir plus, consultez Créer un cluster avec la consoleGoogle Cloud .

   Accéder à "Créer un cluster Apache Spark sur Compute Engine"

2. Sous Définissez votre cluster, cochez la case Activer Lightning Engine.

3. Facultatif : Pour activer le runtime d'exécution native par défaut pour les jobs Spark, cochez la case Activer l'exécution native.

4. Configurez les autres paramètres du cluster selon vos besoins.

5. Cliquez sur Créer.

gcloud CLI

1. Pour créer un cluster avec le moteur Lightning activé, exécutez la commande gcloud dataproc clusters create avec l'option --engine=lightning. Pour en savoir plus, consultez Créer un cluster avec la gcloud CLI.

   gcloud dataproc clusters create CLUSTER_NAME \
       --region=REGION \
       --engine=lightning \
       --image-version=2.3
   

2. Facultatif : Pour activer le runtime d'exécution natif par défaut pour les jobs Spark, incluez la propriété spark:spark.dataproc.lightningEngine.runtime=native.

   gcloud dataproc clusters create CLUSTER_NAME \
       --region=REGION \
       --engine=lightning \
       --image-version=2.3 \
       --properties='spark:spark.dataproc.lightningEngine.runtime=native'
   

API

Pour créer un cluster avec le moteur Lightning activé, envoyez une requête clusters.create. Pour en savoir plus, consultez Créer un cluster avec l'API REST.

1. Dans le corps de la requête, définissez le champ engine sur LIGHTNING.

   {
     "projectId": "PROJECT_ID",
     "clusterName": "CLUSTER_NAME",
     "config": {
       "engine": "LIGHTNING",
       "gceClusterConfig": {},
       "softwareConfig": {
         "imageVersion": "2.3"
       }
     }
   }
   

2. Facultatif : Pour activer le runtime d'exécution natif par défaut pour tous les jobs, incluez la propriété spark:spark.dataproc.lightningEngine.runtime.

   {
     "projectId": "PROJECT_ID",
     "clusterName": "CLUSTER_NAME",
     "config": {
       "engine": "LIGHTNING",
       "gceClusterConfig": {},
       "softwareConfig": {
         "imageVersion": "2.3",
         "properties": {
           "spark:spark.dataproc.lightningEngine.runtime": "native"
         }
       }
     }
   }
   

Python

1. Pour créer un cluster avec le moteur Lightning activé, utilisez la méthode create_cluster et définissez le champ engine dans la configuration du cluster sur LIGHTNING. Pour en savoir plus, consultez Créer un cluster avec Python.

   from google.cloud import dataproc_v1
   
   def create_lightning_cluster(project_id, region, cluster_name):
       client_options = {"api_endpoint": f"{region}-dataproc.googleapis.com:443"}
       cluster_client = dataproc_v1.ClusterControllerClient(client_options=client_options)
   
       cluster = {
           "project_id": project_id,
           "cluster_name": cluster_name,
           "config": {
               "engine": "LIGHTNING",
               "software_config": {
                   "image_version": "2.3-debian12",
               },
           }
       }
   
       operation = cluster_client.create_cluster(
           project_id=project_id,
           region=region,
           cluster=cluster
       )
       result = operation.result()
       print(f"Cluster created successfully: {result.cluster_name}")
   

2. Facultatif : Pour activer le runtime d'exécution natif par défaut pour les jobs Spark, incluez la propriété spark:spark.dataproc.lightningEngine.runtime.

   from google.cloud import dataproc_v1
   
   def create_lightning_native_cluster(project_id, region, cluster_name):
       client_options = {"api_endpoint": f"{region}-dataproc.googleapis.com:443"}
       cluster_client = dataproc_v1.ClusterControllerClient(client_options=client_options)
   
       cluster = {
           "project_id": project_id,
           "cluster_name": cluster_name,
           "config": {
               "engine": "LIGHTNING",
               "software_config": {
                   "image_version": "2.3-debian12",
                   "properties": {
                       "spark:spark.dataproc.lightningEngine.runtime": "native"
                   }
               }
           }
       }
   
       operation = cluster_client.create_cluster(
           project_id=project_id,
           region=region,
           cluster=cluster
       )
       result = operation.result()
       print(f"Cluster created successfully: {result.cluster_name}")
   

Terraform

1. Dans la configuration de votre ressource google_dataproc_cluster, définissez l'argument engine sur LIGHTNING.
2. Pour en savoir plus et découvrir les options avancées, consultez la documentation Terraform officielle sur la ressource google_dataproc_cluster.

Vérifier le moteur du cluster

Console

1. Dans la console Google Cloud , accédez à la page Détails du cluster.
2. Vérifiez que la valeur Lightning Engine figure dans le champ Moteur.
3. Si vous avez activé l'exécution de requêtes natives, vérifiez que native figure dans le champ Exécution native.

gcloud

1. Pour vérifier le moteur et NQE (si activé), exécutez la commande gcloud dataproc clusters describe :

   gcloud dataproc clusters describe CLUSTER_NAME --project=PROJECT_ID --region=REGION
   

2. Vérifiez les propriétés engine et lightningEngine.runtime dans le résultat :

   clusterName: lightning-engine-cluster
   engine: lightningEngine
   lightningEngine.runtime: native
   

Envoyer un job avec Lightning Engine

Si vous avez activé Lightning Engine lorsque vous avez créé un cluster, il est activé par défaut sur le job Spark lorsque vous l'envoyez au cluster.

Activer l'exécution de requêtes natives pour un job

Si vous avez activé l'exécution de requêtes natives (NQE) lorsque vous avez créé un cluster Lightning Engine, toutes les tâches Spark s'exécutent avec la NQE activée, sauf si vous désactivez la NQE pour une tâche spécifique.

Si vous n'avez pas activé NQE lorsque vous avez créé le cluster Lightning Engine, vous pouvez l'activer pour un job lorsque vous l'envoyez, comme illustré dans les exemples suivants.

gcloud

Pour activer l'exécution de requêtes natives lorsque vous envoyez un job Spark, incluez la propriété spark.dataproc.lightningEngine.runtime=native :

gcloud dataproc jobs submit spark \
    --cluster=CLUSTER_NAME \
    --region=REGION \
    --properties=spark.dataproc.lightningEngine.runtime=native \
    -- ...

API

Pour activer l'exécution de requêtes natives lorsque vous envoyez un job Spark, incluez la propriété spark.dataproc.lightningEngine.runtime dans votre requête :

{
  "job":{
    "placement":{
      "clusterName": ...
    },
    "sparkJob":{
      "mainClass": ...,
      "properties":{
         "spark.dataproc.lightningEngine.runtime":"native"
      }
    }
  }
}

Désactiver l'exécution des requêtes natives pour un job

Si vous avez activé l'exécution de requêtes natives (NQE) lorsque vous avez créé un cluster Lightning Engine, tous les jobs Spark s'exécuteront avec la NQE activée, sauf si vous la désactivez pour un job spécifique.

Vous pouvez désactiver NQE pour un job Spark spécifique lorsque vous l'envoyez, comme indiqué dans les exemples suivants.

gcloud

Pour désactiver l'exécution de requêtes natives lorsque vous envoyez un job Spark à un cluster Lightning Engine, incluez la propriété spark.dataproc.lightningEngine.runtime=default :

gcloud dataproc jobs submit spark \
    --cluster=CLUSTER_NAME \
    --region=REGION \
    --properties=spark.dataproc.lightningEngine.runtime=default \
    -- ...

API

Pour désactiver l'exécution de requêtes natives lorsque vous envoyez un job Spark à un cluster Lightning Engine, incluez la propriété spark.dataproc.lightningEngine.runtime=default :

{
  "job":{
    "placement":{
      "clusterName": ...
    },
    "sparkJob":{
      "mainClass": ...,
      "properties":{
         "spark.dataproc.lightningEngine.runtime":"default"
      }
    }
  }
}

Vérifier l'exécution des requêtes natives pour un job

Après avoir envoyé un job à un cluster Lightning Engine, vous pouvez vérifier que l'exécution de requêtes natives est activée pour le job.

Console

1. Dans la console Google Cloud , accédez à la page Job Details (Détails du job).
2. Vérifiez que native est répertorié dans le champ Exécution native.

gcloud

1. Exécutez la commande gcloud dataproc jobs describe :

   gcloud dataproc jobs describe JOB_ID --project=PROJECT_ID --region=REGION
   

2. Vérifiez le résultat de lightningEngine.runtime dans la section Propriétés :

   lightningEngine.runtime: native
   

Paramètres de configuration

Le tableau suivant récapitule les principaux paramètres de configuration pour Lightning Engine et l'exécution de requêtes natives.

Nom du paramètre	Description	Moteur(s) concerné(s)	Valeur par défaut	Valeur par défaut (Lightning Engine)	L'utilisateur peut le modifier (au niveau du job)	Champ d'application
--engine	Paramètre au niveau du cluster permettant de sélectionner le moteur lors de la création du cluster.	À l'échelle du cluster	default	lightning	Non	Cluster
spark:spark.dataproc.lightningEngine.runtime	Paramètre au niveau du cluster permettant de sélectionner le moteur d'exécution Lightning lors de la création du cluster.	Éclair uniquement	default	default	Non	Cluster
spark.dataproc.lightningEngine.runtime	Active ou désactive l'exécution des requêtes natives (NQE) dans le moteur Lightning.	Éclair uniquement	default	default	Oui. Elle peut être définie sur native ou default.	Job

Limites

L'activation de l'exécution de requêtes natives dans les scénarios suivants peut entraîner des exceptions, des incompatibilités Spark ou le retour de la charge de travail au moteur Spark par défaut.

Créations de remplacement

L'exécution de requêtes natives dans les scénarios suivants peut entraîner un retour à la charge de travail vers le moteur d'exécution Spark :

• ANSI : si le mode ANSI est activé, l'exécution revient à Spark.
• Mode sensible à la casse : l'exécution de requêtes natives n'est compatible qu'avec le mode par défaut de Spark, qui n'est pas sensible à la casse. Si le mode sensible à la casse est activé, des résultats incorrects peuvent s'afficher.
• Analyse de table partitionnée : l'exécution de requêtes natives n'est compatible avec l'analyse de table partitionnée que lorsque le chemin d'accès contient les informations de partition. Sinon, la charge de travail revient au moteur d'exécution Spark.

Comportement incompatible

Un comportement incompatible ou des résultats incorrects peuvent se produire lorsque vous utilisez l'exécution de requêtes natives dans les cas suivants :

• Fonctions JSON : l'exécution de requêtes natives accepte les chaînes entourées de guillemets doubles, et non de guillemets simples. Des résultats incorrects s'affichent avec des guillemets simples. L'utilisation de * dans le chemin d'accès avec la fonction get_json_object renvoie NULL.
• Configuration de lecture Parquet :
  • L'exécution de requêtes natives traite spark.files.ignoreCorruptFiles comme étant défini sur la valeur par défaut false, même lorsqu'il est défini sur true.
  • L'exécution de requêtes natives ignore spark.sql.parquet.datetimeRebaseModeInRead et ne renvoie que le contenu du fichier Parquet. Les différences entre l'ancien calendrier hybride et le calendrier grégorien proleptique ne sont pas prises en compte. Les résultats Spark peuvent varier.
• NaN : non pris en charge. Des résultats inattendus peuvent se produire, par exemple lorsque vous utilisez NaN dans une comparaison numérique.
• Lecture en colonnes Spark : une erreur fatale peut se produire, car le vecteur en colonnes Spark est incompatible avec l'exécution de requêtes natives.
• Débordement : lorsque vous définissez un grand nombre de partitions de répartition aléatoire, la fonctionnalité de débordement sur disque peut déclencher une exception OutOfMemoryException. Si cela se produit, vous pouvez éliminer cette exception en réduisant le nombre de partitions.

Étapes suivantes

• Accélérez les charges de travail et les sessions par lot Spark avec Lightning Engine.