Configurar Dataproc Hub

Define una configuración de clústeres

Una instancia de Dataproc Hub crea un clúster a partir de los valores de configuración contenidos en un archivo de configuración de clúster YAML.

La configuración de tu clúster puede especificar cualquier característica o componente disponible para los clústeres de Dataproc (como el tipo de máquina, las acciones de inicialización y los componentes opcionales). La versión de imagen del clúster debe ser 1.4.13 o superior. Si intentas generar un clúster con una versión de imagen inferior a 1.4.13, se producirá un error y fallará.

Archivo YAML de configuración de clúster de muestra

clusterName: cluster-name
config:
  softwareConfig:
    imageVersion: 2.2-ubuntu22
    optionalComponents:
    - JUPYTER

Cada configuración debe guardarse en Cloud Storage. Puedes crear y guardar varios archivos de configuración a fin de dar a los usuarios una opción cuando usen Dataproc Hub para crear su entorno de notebook de clúster de Dataproc.

Hay dos formas de crear un archivo de configuración de clúster YAML:

1. Crea el archivo de configuración YAML del clúster desde la consola.

2. Exporta un archivo de configuración YAML del clúster desde un clúster existente.

Crea el archivo de configuración YAML del clúster desde la consola

1. Abre la página Crear un clúster en la consola de Google Cloud y, luego, selecciona y completa los campos para especificar el tipo de clúster que Dataproc Hub generará para los usuarios.
   1. En la parte inferior del panel izquierdo, selecciona "REST equivalente".
   2. Copia el bloque JSON generado, sin incluir la línea de solicitud POST inicial; luego pega el bloque JSON en un convertidor JSON a YAML en línea (busca "Convertir JSON a YAML" en línea).
   3. Copia el archivo YAML convertido en un archivo cluster-config-filename.yaml local.

Exporta un archivo de configuración YAML del clúster desde un clúster existente

1. Crea un clúster que coincida con tus requisitos.
2. Exporta la configuración del clúster a un archivo cluster-config-filename.yaml local.

   gcloud dataproc clusters export cluster-name \
       --destination cluster-config-filename.yaml  \
       --region region
    

Guarda el archivo de configuración YAML en Cloud Storage

Copia el archivo de configuración YAML del clúster local en tu bucket de Cloud Storage.

gcloud storage cp cluster-config-filename.yaml gs://bucket-name/

Configura las variables de entorno de la instancia de Dataproc Hub

El administrador puede configurar las variables de entorno del concentrador que se enumeran en la tabla a continuación para establecer los atributos de los clústeres de Dataproc que generarán los usuarios del concentrador.

Configura las variables de entorno del concentrador

Hay dos formas de configurar las variables de entorno del concentrador:

1. Configura las variables de entorno del concentrador desde la consola

2. Configura las variables de entorno del concentrador en un archivo de texto

Configura las variables de entorno del concentrador desde la consola

Cuando creas una instancia de Dataproc Hub desde la pestaña Notebooks administrados por el usuario en la página Dataproc→Workbench de la consola de Google Cloud, puedes hacer clic en el botón Propagar para abrir un formulario Propagar Dataproc Hub que te permita configurar cada variable de entorno.

Configura las variables de entorno del concentrador en un archivo de texto

1. Crea el archivo. Puedes usar un editor de texto para configurar variables de entorno de la instancia de Dataproc Hub en un archivo local. También puedes crear el archivo si ejecutas el siguiente comando después de completar los valores de marcador de posición y cambiar o agregar las variables y sus valores.

   cat <<EOF > environment-variables-file
   DATAPROC_CONFIGS=gs://bucket/cluster-config-filename.yaml
   NOTEBOOKS_LOCATION=gs://bucket/notebooks
   DATAPROC_LOCATIONS_LIST=b,c
   EOF
   

2. Guarda el archivo en Cloud Storage. Copia las variables de entorno de la instancia de Dataproc Hub local en tu bucket de Cloud Storage.

   gcloud storage cp environment-variable-filename gs://bucket-name/folder-name/
   

Configura Identity and Access Management (IAM)

Dataproc Hub incluye las siguientes identidades con las siguientes capacidades:

• Administrador: crea una instancia de Dataproc Hub
• Usuario de datos y AA: accede a la IU de Dataproc Hub
• Cuenta de servicio de Dataproc Hub: representa a Dataproc Hub
• Cuenta de servicio de Dataproc: representa el clúster de Dataproc que crea Dataproc Hub.

Cada identidad requiere funciones o permisos específicos para realizar sus tareas asociadas. En la siguiente tabla, se resumen las funciones y los permisos de IAM que requiere cada identidad.

Crea una instancia de Dataproc Hub

1. Antes de comenzar: Para crear una instancia de Dataproc Hub desde la consola de Google Cloud, la cuenta de usuario debe tener el permiso compute.instances.create. Además, la cuenta de servicio de la instancia: la cuenta de servicio predeterminada de Compute Engine o la cuenta de servicio especificada por el usuario en IAM y administración > Cuentas de servicio (consulta Cuenta de servicio de VM de Dataproc), debe tener el permiso iam.serviceAccounts.actAs.

2. Ve a la página Dataproc → Workbench en la consola de Google Cloud y, luego, selecciona la pestaña Notebooks administrados por el usuario.

3. Si no está preseleccionado como filtro, haz clic en el cuadro Filtro y, luego, selecciona **Environment:Dataproc Hub"".

4. Haz clic en New Notebook→Dataproc Hub.

5. En la página Crear un notebook administrado por el usuario, proporciona la siguiente información:

   1. Nombre del notebook: Es el nombre de la instancia de Dataproc Hub.
   2. Región: Selecciona una región para la instancia de Dataproc Hub. Los clústeres de Dataproc que genera esta instancia de Dataproc Hub también se crearán en esta región.
   3. Zona: selecciona una zona dentro de la región seleccionada.
   4. Entorno:
      1. Environment: Selecciona Dataproc Hub.
      2. Select a script to run after creation (opcional): Puedes insertar o explorar y seleccionar una secuencia de comandos de acción de inicialización o ejecutable para ejecutarla en el clúster de Dataproc generado.
      3. Populate Dataproc Hub (optional): Haz clic en Propagar para abrir un formulario que te permita configurar cada una de las variables de entorno del concentrador (consulta Configura las variables de entorno de la instancia de Dataproc Hub para obtener una descripción de cada variable). Dataproc usa valores predeterminados para las variables de entorno que no se hayan configurado. Como alternativa, puedes establecer pares key:value de metadatos para configurar variables de entorno (consulta el siguiente elemento).
      4. Metadata:
         1. Si creaste un archivo de texto que contiene la configuración de variable de entorno del concentrador (consulta Configura las variables de entorno del concentrador), proporciona el nombre del archivo como key y la ubicación de Cloud Storage gs://bucket-name/folder-name/environment-variable-filename del archivo como value. Dataproc usa valores predeterminados para las variables de entorno que no se hayan configurado.
   5. Configuración de la máquina:
      1. Machine Type: Selecciona el tipo de máquina de Compute Engine.
      2. Establece otras opciones de configuración de la máquina.
   6. Otras opciones:
      1. Puedes expandir y establecer o reemplazar los valores predeterminados en las secciones Discos, Herramientas de redes, Permisos, Seguridad y Actualización del entorno y estado del sistema.
   7. Haz clic en Crear para iniciar la instancia de Dataproc Hub.

6. El vínculo Abrir JupyterLab de la instancia de Dataproc Hub se activa después de crearla. Los usuarios hacen clic en este vínculo para abrir la página del servidor de JupyterHub y configurar y crear un clúster de JupyterLab de Dataproc (consulta Usa Dataproc Hub).