Dataproc 可选 Jupyter 组件

使用可选组件功能创建 Dataproc 集群时，可以安装 Jupyter 等其他组件。本页面介绍了 Jupyter 组件。

Jupyter 组件是一个基于网页的单用户笔记本，用于交互式数据分析，并且支持 JupyterLab 网页界面。您可以通过集群的第一个主节点上的 8123 端口访问 Jupyter 网页界面。

为多位用户启动笔记本。您可以创建启用了 Dataproc 的 Vertex AI Workbench 实例，也可以在虚拟机上安装 Dataproc JupyterLab 插件，以向多个用户提供笔记本。

配置 Jupyter。您可以通过提供 dataproc:jupyter 集群属性来配置 Jupyter。为了降低通过不安全的笔记本服务器 API 执行远程代码的风险，默认 dataproc:jupyter.listen.all.interfaces 集群属性设置为 false，当启用组件网关时，该设置将连接限制为 localhost (127.0.0.1)（安装 Jupyter 组件时需要激活组件网关）。

Jupyter 笔记本提供了一个运行 Spark 代码的 Python 内核和一个 PySpark 内核。默认情况下，笔记本保存在 Cloud Storage 的 Dataproc 暂存存储桶中，该存储桶由用户指定或在创建集群时自动创建。您可以在创建集群时使用 dataproc:jupyter.notebook.gcs.dir 集群属性更改该位置。

使用数据文件。您可以使用 Jupyter 笔记本处理已上传到 Cloud Storage 上的数据文件。由于 Cloud Storage 连接器已预安装在 Dataproc 集群上，因此您可以直接在笔记本中引用这些文件。以下示例演示了如何访问 Cloud Storage 中的 CSV 文件：

df = spark.read.csv("gs://bucket/path/file.csv")
df.show()

如需查看 PySpark 示例，请参阅通用加载和保存函数。

安装 Jupyter

在创建 Dataproc 集群时安装组件。 Jupyter 组件需要激活 Dataproc 组件网关。

控制台

  1. 启用组件。
    • 在 Google Cloud 控制台中，打开 Dataproc 创建集群页面。选中设置集群面板。
    • 在组件部分中执行以下操作：

gcloud CLI

如需创建包含 Jupyter 组件的 Dataproc 集群，请使用带有 --optional-components 标志的 gcloud dataproc clusters create cluster-name 命令。

最新默认图片版本示例

以下示例在使用最新默认映像版本的集群上安装 Jupyter 组件。

gcloud dataproc clusters create cluster-name \
    --optional-components=JUPYTER \
    --region=region \
    --enable-component-gateway \
    ... other flags

REST API

可以通过 Dataproc API 使用 SoftwareConfig.Component 将 Jupyter 组件作为 clusters.create 请求的一部分进行安装。

打开 Jupyter 和 JupyterLab 界面

点击 Google Cloud 控制台组件网关链接，在本地浏览器中打开在集群主服务器节点上运行的 Jupyter 笔记本或 JupyterLab 界面。

选择“GCS”或“Local Disk”在任一位置创建一个新的 Jupyter 笔记本。

将 GPU 挂接到主节点和工作器节点

在使用 Jupyter 笔记本执行以下操作时，您可以向集群的主节点和工作器节点添加 GPU：

  1. 在 Spark 中预处理数据，然后将 DataFrame 收集到主实例上并运行 TensorFlow
  2. 使用 Spark 编排 TensorFlow 并行运行
  3. 运行 Tensorflow-on-YARN
  4. 与使用 GPU 的其他机器学习场景搭配使用