Ações de inicialização

Ao criar um cluster do Dataproc, especifique ações de inicialização em executáveis ou scripts que o Dataproc executará em todos os nós do cluster do Dataproc logo depois da configuração do cluster. As ações de inicialização normalmente configuram dependências do job, como instalar pacotes do Python. Dessa maneira, os jobs podem ser enviados para o cluster sem a necessidade de instalar dependências quando os jobs são executados.

Você encontra exemplos de scripts de ação de inicialização nos seguintes locais: Observação: o Google não oferece suporte a essas amostras.

• Repositório do GitHub
• Cloud Storage: na rede regional gs://goog-dataproc-initialization-actions-REGION buckets públicos

Considerações e diretrizes importantes

• Não crie clusters de produção que façam referência a ações de inicialização localizadas nos buckets públicos gs://goog-dataproc-initialization-actions-REGION. Esses scripts são fornecidos como implementações de referência. Eles são sincronizadas com as alterações contínuas no repositório do GitHub, e as atualizações scripts podem interromper a criação do cluster. Em vez disso, copie a ação de inicialização o bucket público em uma pasta com controle de versão do bucket do Cloud Storage, conforme mostrado exemplo a seguir:

  REGION=COMPUTE_REGION
  gcloud storage cp gs://goog-dataproc-initialization-actions-${REGION}/cloud-sql-proxy/cloud-sql-proxy.sh \
      gs://my-bucket/cloud-sql-proxy/v1.0/cloud-sql-proxy.sh
  

  Em seguida, crie o cluster referenciando a cópia no Cloud Storage:

  gcloud dataproc clusters create CLUSTER_NAME \
      --region=${REGION} \
      --initialization-actions=gs://my-bucket/cloud-sql-proxy/v1.0/cloud-sql-proxy.sh \
      ...other flags...
  

• As ações de inicialização são executadas em cada nó em série durante a criação do cluster. Eles também são executadas em cada nó adicionado scaling ou escalonamento automático clusters.

• Quando você atualiza ações de inicialização, por exemplo, ao sincronizar suas ações de inicialização do Cloud Storage com alterações feitas em ações de inicialização de bucket público ou repositório do GitHub, crie uma nova pasta (de preferência com o nome da versão) para receber as ações de inicialização atualizadas. Se você atualizar a ação de inicialização no local, novos nós, como os adicionados pelo escalonador automático, vão executar a ação de inicialização atualizada no local, e não a ação de inicialização da versão anterior executada nos nós existentes. Essas diferenças de ação de inicialização podem resultar em nós de cluster inconsistentes ou interrompidos.

• As ações de inicialização são executadas como usuário root. Não é necessário usar sudo.

• Use caminhos absolutos nas ações de inicialização.

• Use uma linha shebang nas ações de inicialização para indicar como o script deve ser interpretado (por exemplo, #!/bin/bash ou #!/usr/bin/python).

• Se uma ação de inicialização for encerrada com um código de saída diferente de zero, a operação de criação do cluster relatará um status "ERROR". Para depurar a inicialização use SSH para se conectar às instâncias de VM do cluster e logs. Depois de corrigir o problema da ação de inicialização, exclua e recrie o cluster.

• Se você criar um cluster do Dataproc com apenas endereços IP internos, tenta acessar github.com pela Internet em uma ação de inicialização vai falhar, a menos que você tenha configurado rotas para direcionar o tráfego por meio de o Cloud NAT ou um Cloud VPN: Sem acesso à Internet, é possível ativar o Acesso privado do Google e colocar dependências de job no Cloud Storage. Os nós de cluster podem fazer o download das dependências do Cloud Storage de IPs internos.

• Use imagens personalizadas do Dataproc em vez de ações de inicialização para configurar dependências de job.

• Processamento de inicialização:

  • Clusters de imagem anteriores à 2.0:
    • Mestre: para permitir que ações de inicialização sejam executadas nos mestres. gravar arquivos no HDFS, as ações de inicialização do nó mestre não serão iniciadas até que O HDFS é gravável (até que o HDFS tenha saído do modo de segurança e pelo menos dois HDFS os DataNodes foram mesclados).
    • Worker: se você definir a propriedade de cluster dataproc:dataproc.worker.custom.init.actions.mode como RUN_BEFORE_SERVICES, cada worker vai executar as ações de inicialização antes de iniciar o datanode HDFS e os daemons do nodemanager YARN. Como o Dataproc não executa ações de inicialização mestre até que o HDFS seja gravável, o que requer a execução de dois daemons do nodenode de HDFS, definir essa propriedade pode aumentar o tempo de criação do cluster.

  • Clusters de imagem 2.0+:

    • Mestre: as ações de inicialização do nó mestre podem ser executadas antes do HDFS ser gravável. Se você executar ações de inicialização que organizem arquivos no HDFS ou dependam da disponibilidade de serviços dependentes do HDFS, como o Ranger, defina a propriedade de cluster {dataproc.master.custom.init.actions.mode} 101}para RUN_AFTER_SERVICES. Observação: como esse pode aumentar o tempo de criação do cluster. Consulte a explicação sobre o atraso na criação de clusters do workers do cluster de imagem anteriores à 2.0: use apenas quando necessário (como prática geral, use o padrão RUN_BEFORE_SERVICES para esta propriedade).
    • Worker: o dataproc:dataproc.worker.custom.init.actions.mode propriedade do cluster é definido como RUN_BEFORE_SERVICES e não pode ser transmitido para o cluster quando ele for criado. (não é possível alterar a configuração da propriedade). Cada worker executa as ações de inicialização antes de iniciar o datanode HDFS e os daemons do nodenode YARN. Como o Dataproc não espera que o HDFS seja gravável antes de executar ações de inicialização do mestre, as ações do mestre e do worker são executadas em paralelo.

  • Recomendações:

    • Use metadados para determinar o papel de um nó para executar condicionalmente uma ação de inicialização nos nós. Consulte Como usar metadados de cluster.
    • Bifurque uma cópia de uma ação de inicialização para um bucket do Cloud Storage para mais estabilidade. Consulte Como as ações de inicialização são usadas.
    • Adicione novas tentativas ao fazer o download da Internet para estabilizar a ação de inicialização.

Usar as ações de inicialização

É possível especificar ações de inicialização de cluster independentemente de como ele é criado:

• Por meio do console do Google Cloud
• Usando a CLI gcloud
• De maneira programática, com a API clusters.create do Dataproc (consulte NodeInitializationAction)

gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --initialization-actions=Cloud Storage URI(s) (gs://bucket/...) \
    --initialization-action-timeout=timeout-value (default=10m) \
    ... other flags ...

POST /v1/projects/my-project-id/regions/us-central1/clusters/
{
  "projectId": "my-project-id",
  "clusterName": "example-cluster",
  "config": {
    "configBucket": "",
    "gceClusterConfig": {
      "subnetworkUri": "default",
      "zoneUri": "us-central1-b"
    },
    "masterConfig": {
      "numInstances": 1,
      "machineTypeUri": "n1-standard-4",
      "diskConfig": {
        "bootDiskSizeGb": 500,
        "numLocalSsds": 0
      }
    },
    "workerConfig": {
      "numInstances": 2,
      "machineTypeUri": "n1-standard-4",
      "diskConfig": {
        "bootDiskSizeGb": 500,
        "numLocalSsds": 0
      }
    },
    "initializationActions": [
      {
        "executableFile": "gs://cloud-example-bucket/my-init-action.sh"
      }
    ]
  }
}

Como passar argumentos para ações de inicialização

O Dataproc define valores especiais de metadados para as instâncias executadas nos clusters. Defina os próprios metadados personalizados como uma maneira de passar argumentos para ações de inicialização.

gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --initialization-actions=Cloud Storage URI(s) (gs://bucket/...) \
    --metadata=name1=value1,name2=value2... \
    ... other flags ...

Os valores de metadados podem ser lidos nas ações de inicialização da seguinte maneira:

var1=$(/usr/share/google/get_metadata_value attributes/name1)

Seleção de nós

Se você quiser limitar ações de inicialização a nós mestre, de driver ou de trabalho, será possível adicionar lógica simples de seleção de nós ao executável ou ao script.

ROLE=$(/usr/share/google/get_metadata_value attributes/dataproc-role)
if [[ "${ROLE}" == 'Master' ]]; then
  ... master specific actions ...
else if [[ "${ROLE}" == 'Driver' ]]; then
  ... driver specific actions ...
else
  ... worker specific actions ...
fi

Binários de preparo

Na inicialização de um cluster, é comum o teste de binários de job em um cluster para eliminar a necessidade de serem testados sempre que um job é enviado. Por exemplo, suponha que o script de inicialização a seguir esteja armazenado em gs://my-bucket/download-job-jar.sh, um bucket do Cloud Storage local:

#!/bin/bash
ROLE=$(/usr/share/google/get_metadata_value attributes/dataproc-role)
if [[ "${ROLE}" == 'Master' ]]; then
  gcloud storage cp gs://my-bucket/jobs/sessionalize-logs-1.0.jar home/username
fi

A localização desse script pode ser passada para o comando gcloud dataproc clusters create:

gcloud dataproc clusters create my-dataproc-cluster \
    --region=${REGION} \
    --initialization-actions=gs://my-bucket/download-job-jar.sh

O Dataproc executará esse script em todos os nodes e, como consequência da lógica de seleção de node do script, fará o download do arquivo jar para o node mestre. Os jobs enviados podem usar o jar testado anteriormente:

gcloud dataproc jobs submit hadoop \
    --cluster=my-dataproc-cluster \
    --region=${REGION} \
    --jar=file:///home/username/sessionalize-logs-1.0.jar

Amostras de ações de inicialização

Os scripts de ações de inicialização mais usados e outros exemplos estão localizados em gs://goog-dataproc-initialization-actions-<REGION>, um intervalo público regional do Cloud Storage, e em um repositório do GitHub. Para contribuir com um script, revise o documento CONTRIBUTING.md e, em seguida, registre uma solicitação de envio.

Logging

A saída da execução de cada ação de inicialização é registrada para cada instância em /var/log/dataproc-initialization-script-X.log, onde X é o índice baseado em zero de cada script de ação de inicialização sucessivo. Por exemplo, se o cluster tiver duas ações de inicialização, as saídas serão registradas em /var/log/dataproc-initialization-script-0.log e /var/log/dataproc-initialization-script-1.log.

A seguir

Conheça as ações de inicialização do GitHub.