Spark-Job in Dataproc in der Google Kubernetes Engine ausführen

Console

1. Rufen Sie in der Google Cloud Console 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. Im Bereich Cluster einrichten:

   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 (den Sie im nächsten Punkt 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 on 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 Rolle „DEFAULT“ haben.
      3. Klicken Sie auf Fertig.
   2. So erstellen Sie einen neuen Dataproc-Knotenpool in GKE:
      1. Klicken Sie auf Neuen Knotenpool erstellen.
      2. Geben Sie die folgenden Werte für den Knotenpool 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
         • Überbietbarkeit
         • Min: Mindestanzahl von Knoten.
         • Max: Maximale Knotenanzahl. 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-Clustern in GKE aufzurufen, klicken Sie auf Cluster anpassen. Wählen Sie dann im Feld Verlaufsservercluster Ihren PHS-Cluster aus. Der PHS-Cluster muss sich in derselben Region wie der Dataproc on GKE-virtuelle Cluster befinden.

7. Klicken Sie auf Erstellen, um den Dataproc-Cluster zu erstellen. Ihr Dataproc on GKE-Cluster wird in einer Liste auf der Seite Cluster angezeigt. Der Status ist Wird bereitgestellt, bis der Cluster zur Verwendung bereit ist. Anschließend ändert er sich in Aktiv.

gcloud

Legen Sie Umgebungsvariablen fest und führen Sie den Befehl gcloud dataproc clusters gke create lokal oder in Cloud Shell aus, um einen 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 zum Staging von Artefakten verwendet. Wenn Sie keinen Bucket angeben, wird in Dataproc on GKE ein Staging-Bucket erstellt.
   • DP_POOLNAME: Der Name eines Knotenpools, der im GKE-Cluster erstellt werden soll.
   • PHS_CLUSTER: Optionaler Dataproc PHS-Server, mit dem Sie den Spark-Jobverlauf in aktiven und gelöschten Dataproc-Clustern in GKE aufrufen können. 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, der von Dataproc zum Ausführen der Arbeitslast erstellt oder verwendet wird. Geben Sie die Knotenpooleinstellungen für Dataproc on GKE durch Kommas getrennt an, 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. Mindestens ein Knotenpool muss die Rolle default haben. Alle Knotenpools müssen sich am selben Standort befinden.
   • --setup-workload-identity: Mit diesem Flag werden Workload Identity-Bindungen aktiviert. Durch diese Bindungen können die Kubernetes-Dienstkonten (KSAs) als Standard-Dataproc-VM-Dienstkonto (Identität der Datenebene) des virtuellen Clusters verwendet werden.

REST

Füllen Sie einen virtualClusterConfig als Teil einer Dataproc API-Anfrage vom Typ cluster.create aus.

Ersetzen Sie diese Werte in den folgenden Anfragedaten:

• PROJECT: ID des Google Cloud-Projekts.
• REGION: Region des virtuellen Dataproc-Clusters (muss mit der Region des vorhandenen GKE-Cluster übereinstimmen)
• DP_CLUSTER: Name des Dataproc-Clusters
• GKE_CLUSTER: Name des GKE-Cluster
• NODE_POOL: Name des Knotenpools
• PHS_CLUSTER: Clustername des Persistent History Servers (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 in etwa folgende JSON-Antwort 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"
      }
    }
  }