Executar um job do Spark no Dataproc no Google Kubernetes Engine

Console

1. No console do Google Cloud, acesse a página do Dataproc Clusters.

   Acessar Clusters

2. Clique em Criar cluster.

3. Na caixa de diálogo Criar cluster do Dataproc, clique em Criar no a linha Cluster no GKE.

4. No painel Configurar cluster:

   1. No campo Nome do cluster, insira o nome do cluster.
   2. Na lista Região, selecione uma região para o cluster virtual do Dataproc no GKE. A região precisa ser igual a região onde seu cluster do GKE está localizado (que você selecionará no próximo item).
   3. No campo Cluster do Kubernetes, clique em Procurar para selecionar os a região onde seu cluster do GKE está localizado.
   4. Opcional: no campo Bucket de preparo do Cloud Storage, clique em Navegue para selecionar um bucket do Cloud Storage. O Dataproc no GKE vai preparar os artefatos no bucket. Ignore esse campo para que o Dataproc no GKE crie um bucket de preparação.

5. No painel à esquerda, clique em Configurar pools de nós e, no painel Pools de nós, clique em Adicionar um pool.

   1. Para reutilizar um pool de nós do Dataproc no GKE:
      1. Clique em Reutilizar pool de nós atual.
      2. Insira o nome do pool de nós e selecione a função dele. Pelo menos um pool de nós precisa ter o papel DEFAULT.
      3. Clique em Concluído.
   2. Para criar um novo pool de nós do Dataproc no GKE:
      1. Clique em Criar um novo pool de nós.
      2. Insira os seguintes valores do pool de nós:
         • Nome do pool de nós
         • Função: pelo menos um pool de nós precisa ter a função DEFAULT.
         • Local: especifique uma zona na região do cluster do Dataproc no GKE.
         • Tipo de máquina do pool de nós
         • Plataforma de CPU
         • Preemptibilidade
         • Mín.: contagem mínima de nós.
         • Máx.: contagem máxima de nós. A contagem máxima de nós precisa ser maior que 0.
   3. Clique em Adicionar um pool para incluir mais pools de nós. Todos os pools de nós precisam ter o local. É possível adicionar um total de quatro pools de nós.

6. (Opcional) Se você configurou um Servidor de histórico permanente do Dataproc (PHS) para visualizar o histórico de jobs do Spark, no Dataproc ativo e excluído do GKE clusters, clique em Personalizar cluster. Em seguida, no campo Cluster do servidor de histórico, procure e escolha o cluster PHS. O cluster PHS precisa estar localizado na mesma região do cluster virtual do Dataproc no GKE.

7. Clique em Criar para criar o cluster do Dataproc. Seu O Dataproc no cluster do GKE aparece em uma lista na página Clusters. O status dele será Provisionamento até que o cluster esteja pronto para uso. o status mudará para Em execução.

gcloud

Defina as variáveis de ambiente e execute o gcloud dataproc clusters gke create localmente ou no Cloud Shell para criar um cluster do Dataproc no GKE.

1. Defina as variáveis de ambiente:

   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
   

   Observações:
   • DP_CLUSTER: define o nome do cluster virtual do Dataproc, que precisa começar com uma letra minúscula, seguida por até 54 letras minúsculas, números ou hífens. Ele não pode terminar com um hífen.
   • REGION: o region precisa ser o mesmo da região em que o cluster do GKE está localizado.
   • GKE_CLUSTER: o nome do cluster do GKE.
   • BUCKET (opcional): é possível especificar o nome de um bucket do Cloud Storage, que o Dataproc usará para organizar os artefatos. Se você não especificar um bucket, O Dataproc no GKE vai criar um bucket de preparo.
   • DP_POOLNAME: o nome de um pool de nós para criar no cluster do GKE.
   • PHS_CLUSTER: (opcional) Servidor de PHS do Dataproc para conferir o histórico de jobs do Spark em clusters do Dataproc ativos e excluídos no GKE. O cluster do PHS precisa estar localizado na mesma região que o Dataproc no cluster virtual do GKE.

2. Execute o comando:

   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}
   

   Observações:
   • --spark-engine-version: a versão da imagem do Spark usada no cluster do Dataproc. Você pode use um identificador, como 3, 3.1 ou latest; ou você pode especificar a versão subsecundária completa, como 3.1-dataproc-5.
   • --staging-bucket: exclua esta sinalização para usar o Dataproc no GKE criar um bucket de preparo.
   • --pools: esta sinalização é usada para especificar um pool de nós novo ou existente. que o Dataproc criará ou usará para executar a carga de trabalho. Liste as configurações do pool de nós do Dataproc no GKE, separadas por vírgulas, por exemplo:

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

     É preciso especificar o name e o role do pool de nós. Outras configurações do pool de nós são opcionais. É possível usar várias sinalizações --pools para especificar vários pools de nós. Pelo menos um pool de nós precisa têm o papel default. Todos os pools de nós precisam ter o mesmo o local.
   • --setup-workload-identity: essa flag ativa os vinculamentos da Identidade da carga de trabalho. Essas vinculações permitem que as contas de serviço do Kubernetes (KSAs) para funcionar como o padrão Conta de serviço da VM do Dataproc (identidade do plano de dados) do cluster virtual.

REST

Conclua um virtualClusterConfig como parte de uma API Dataproc cluster.create solicitação.

Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:

• PROJECT: ID do projeto do Google Cloud
• REGION: região do cluster virtual do Dataproc (mesma região do cluster do GKE)
• DP_CLUSTER: nome do cluster do Dataproc
• GKE_CLUSTER: nome do cluster do GKE
• NODE_POOL: nome do pool de nós
• PHS_CLUSTER: nome do cluster do servidor de histórico permanente (PHS, na sigla em inglês)
• BUCKET: (opcional) nome do bucket de preparo. Deixe esse campo em branco para que o Dataproc no GKE crie um bucket de transferência.

Método HTTP e URL:

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

Corpo JSON da solicitação:

{
  "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"
  }
}

Para enviar a solicitação, expanda uma destas opções:

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

Você receberá uma resposta JSON semelhante a esta:

{
  "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"
      }
    }
  }