Spark-Job in Dataproc in der Google Kubernetes Engine ausführen

Console

1. Rufen Sie in der Google Cloud -Konsole die Seite Dataproc-Cluster auf.

   Zu den Clustern

2. Klicken Sie auf Cluster erstellen.

3. Klicken Sie im Dialogfeld Dataproc-Cluster erstellen in der Zeile Cluster in GKE auf Erstellen.

4. Gehen Sie im Bereich Cluster einrichten so vor:

   1. Geben Sie im Feld Clustername einen Namen für den Cluster ein.
   2. Wählen Sie in der Liste Region eine Region für den virtuellen Dataproc on GKE-Cluster aus. Diese Region muss mit der Region übereinstimmen, in der sich Ihr vorhandener GKE-Cluster befindet (die Sie im nächsten Element auswählen).
   3. Klicken Sie im Feld Kubernetes-Cluster auf Durchsuchen, um die Region auszuwählen, in der sich Ihr vorhandener GKE-Cluster befindet.
   4. Optional: Klicken Sie im Feld Cloud Storage-Staging-Bucket auf Durchsuchen, um einen vorhandenen Cloud Storage-Bucket auszuwählen. Dataproc in GKE stellt Artefakte im Bucket bereit. Ignorieren Sie dieses Feld, damit Dataproc in GKE einen Staging-Bucket erstellt.

5. Klicken Sie im linken Bereich auf Knotenpools konfigurieren und dann im Bereich Knotenpools auf Pool hinzufügen.

   1. So verwenden Sie einen vorhandenen Dataproc auf GKE-Knotenpool wieder:
      1. Klicken Sie auf Vorhandenen Knotenpool wiederverwenden.
      2. Geben Sie den Namen des vorhandenen Knotenpools ein und wählen Sie seine Rolle aus. Mindestens ein Knotenpool muss die Standardrolle (DEFAULT) haben.
      3. Klicken Sie auf Fertig.
   2. So erstellen Sie einen neuen Dataproc on GKE-Knotenpool:
      1. Klicken Sie auf Neuen Knotenpool erstellen.
      2. Geben Sie die folgenden Knotenpoolwerte ein:
         • Knotenpoolname
         • Rolle: Mindestens ein Knotenpool muss die Rolle „DEFAULT“ haben.
         • Standort: Geben Sie eine Zone innerhalb der Dataproc on GKE-Clusterregion an.
         • Maschinentyp des Knotenpools
         • CPU-Plattform
         • Unterbrechbarkeit
         • Min: Mindestanzahl von Knoten.
         • Max: Maximale Anzahl von Knoten. Die maximale Knotenzahl muss größer als 0 sein.
   3. Klicken Sie auf Pool hinzufügen, um weitere Knotenpools hinzuzufügen. Alle Knotenpools müssen den Standort haben. Sie können insgesamt vier Knotenpools hinzufügen.

6. Optional: Wenn Sie einen Dataproc Persistent History Server (PHS) eingerichtet haben, um den Spark-Jobverlauf in aktiven und gelöschten Dataproc on GKE-Clustern aufzurufen, klicken Sie auf Cluster anpassen. Suchen Sie dann im Feld Verlaufsservercluster nach Ihrem PHS-Cluster und wählen Sie ihn aus. Der PHS-Cluster muss sich in derselben Region wie der virtuelle Dataproc on GKE-Cluster befinden.

7. Klicken Sie auf Erstellen, um den Dataproc-Cluster zu erstellen. Ihr Dataproc on GKE-Cluster wird auf der Seite Cluster in einer Liste angezeigt. Der Status ist Wird bereitgestellt, bis der Cluster verwendet werden kann. Anschließend ändert sich der Status in Wird ausgeführt.

gcloud

Legen Sie Umgebungsvariablen fest und führen Sie den Befehl gcloud dataproc clusters gke create lokal oder in Cloud Shell aus, um ein Dataproc-on-GKE-Cluster zu erstellen.

1. Legen Sie Umgebungsvariablen fest:

   DP_CLUSTER=Dataproc on GKE  cluster-name \
     REGION=region \
     GKE_CLUSTER=GKE cluster-name \
     BUCKET=Cloud Storage bucket-name \
     DP_POOLNAME=node pool-name
     PHS_CLUSTER=Dataproc PHS server name
   

   Hinweise:
   • DP_CLUSTER: Legen Sie den Namen des virtuellen Dataproc-Clusters fest. Er muss mit einem Kleinbuchstaben beginnen, gefolgt von bis zu 54 Kleinbuchstaben, Ziffern oder Bindestrichen. Sie darf nicht mit einem Bindestrich enden.
   • REGION: Die region muss mit der Region übereinstimmen, in der sich der GKE-Cluster befindet.
   • GKE_CLUSTER: Der Name Ihres vorhandenen GKE-Cluster.
   • BUCKET: (Optional) Sie können den Namen eines Cloud Storage-Buckets angeben, den Dataproc für das Staging von Artefakten verwendet. Wenn Sie keinen Bucket angeben, erstellt Dataproc on GKE einen Staging-Bucket.
   • DP_POOLNAME: Der Name eines Knotenpools, der im GKE-Cluster erstellt werden soll.
   • PHS_CLUSTER: (Optional) Dataproc PHS-Server, der zum Aufrufen des Spark-Jobverlaufs in aktiven und gelöschten Dataproc on GKE-Clustern verwendet werden soll. Der PHS-Cluster muss sich in derselben Region wie der virtuelle Dataproc on GKE-Cluster befinden.

2. Führen Sie diesen Befehl aus:

   gcloud dataproc clusters gke create ${DP_CLUSTER} \
       --region=${REGION} \
       --gke-cluster=${GKE_CLUSTER} \
       --spark-engine-version=latest \
       --staging-bucket=${BUCKET} \
       --pools="name=${DP_POOLNAME},roles=default" \
       --setup-workload-identity \
       --history-server-cluster=${PHS_CLUSTER}
   

   Hinweise:
   • --spark-engine-version: Die Spark-Image-Version, die im Dataproc-Cluster verwendet wird. Sie können eine Kennung wie 3, 3.1 oder latest verwenden oder die vollständige Subminor-Version angeben, z. B. 3.1-dataproc-5.
   • --staging-bucket: Löschen Sie dieses Flag, damit Dataproc auf GKE einen Staging-Bucket erstellt.
   • --pools: Mit diesem Flag wird ein neuer oder vorhandener Knotenpool angegeben, den Dataproc zum Ausführen des Arbeitslast verwendet. Liste der Dataproc on GKE-Knotenpooleinstellungen, durch Kommas getrennt, z. B.:

     --pools=name=dp-default,roles=default,machineType=e2-standard-4,min=0,max=10
     

     Sie müssen den Knotenpool name und role angeben. Andere Knotenpooleinstellungen sind optional. Sie können mehrere --pools-Flags verwenden, um mehrere Knotenpools anzugeben. Für mindestens einen Knotenpool muss die Rolle default angegeben werden. Alle Knotenpools müssen denselben Standort haben.
   • --setup-workload-identity: Mit diesem Flag werden Workload Identity-Bindungen aktiviert. Durch diese Bindungen können die Kubernetes-Dienstkonten (Kubernetes Service Accounts, KSAs) als Cloud Dataproc-VM-Dienstkonto (Identität der Datenebene) des virtuellen Clusters fungieren.

REST

Füllen Sie eine virtualClusterConfig als Teil einer Dataproc API-Anfrage cluster.create aus.

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

• PROJECT: ID des Google Cloud-Projekts.
• REGION: Region des virtuellen Dataproc-Clusters (dieselbe Region wie die vorhandene GKE-Clusterregion)
• DP_CLUSTER: Name des Dataproc-Clusters
• GKE_CLUSTER: GKE-Clustername
• NODE_POOL: Name des Knotenpools
• PHS_CLUSTER: Name des Persistent History Server-Clusters (PHS)
• BUCKET: (Optional) Name des Staging-Buckets. Lassen Sie dieses Feld leer, damit Dataproc in GKE einen Staging-Bucket erstellt.

HTTP-Methode und URL:

POST https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters

JSON-Text anfordern:

{
  "clusterName":"DP_CLUSTER",
  "projectId":"PROJECT",
  "virtualClusterConfig":{
    "auxiliaryServicesConfig":{
      "sparkHistoryServerConfig":{
        "dataprocCluster":"projects/PROJECT/regions/REGION/clusters/PHS_CLUSTER"
      }
    },
    "kubernetesClusterConfig":{
      "gkeClusterConfig":{
        "gkeClusterTarget":"projects/PROJECT/locations/REGION/clusters/GKE_CLUSTER",
        "nodePoolTarget":[
          {
"nodePool":"projects/PROJECT/locations/REGION/clusters/GKE_CLUSTER/nodePools/NODE_POOL",
            "roles":[
              "DEFAULT"
            ]
          }
        ]
      },
      "kubernetesSoftwareConfig":{
        "componentVersion":{
          "SPARK":"latest"
        }
      }
    },
    "stagingBucket":"BUCKET"
  }
}

Wenn Sie die Anfrage senden möchten, maximieren Sie eine der folgenden Optionen:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://dataproc.googleapis.com/v1/projects/project-id/regions/region/clusters" | Select-Object -Expand Content

Sie sollten eine JSON-Antwort ähnlich wie diese erhalten:

{
  "projectId":"PROJECT",
  "clusterName":"DP_CLUSTER",
  "status":{
    "state":"RUNNING",
    "stateStartTime":"2022-04-01T19:16:39.865716Z"
  },
  "clusterUuid":"98060b77-...",
  "statusHistory":[
    {
      "state":"CREATING",
      "stateStartTime":"2022-04-01T19:14:27.340544Z"
    }
  ],
  "labels":{
    "goog-dataproc-cluster-name":"DP_CLUSTER",
    "goog-dataproc-cluster-uuid":"98060b77-...",
    "goog-dataproc-location":"REGION",
    "goog-dataproc-environment":"prod"
  },
  "virtualClusterConfig":{
    "stagingBucket":"BUCKET",
    "kubernetesClusterConfig":{
      "kubernetesNamespace":"dp-cluster",
      "gkeClusterConfig":{
"gkeClusterTarget":"projects/PROJECT/locations/REGION/clusters/GKE_CLUSTER",
        "nodePoolTarget":[
          {
"nodePool":"projects/PROJECT/locations/REGION/clusters/GKE_CLUSTER/nodePools/NODE_POOL",
            "roles":[
              "DEFAULT"
            ]
          }
        ]
      },
      "kubernetesSoftwareConfig":{
        "componentVersion":{
          "SPARK":"3.1-..."
        },
        "properties":{
          "dpgke:dpgke.unstable.outputOnly.endpoints.sparkHistoryServer":"https://...",
          "spark:spark.eventLog.dir":"gs://BUCKET/.../spark-job-history",
          "spark:spark.eventLog.enabled":"true"
        }
      }
    },
    "auxiliaryServicesConfig":{
      "sparkHistoryServerConfig":{
        "dataprocCluster":"projects/PROJECT/regions/REGION/clusters/PHS_CLUSTER"
      }
    }
  }