Crea un'istanza Dataproc abilitata per Spark

Questa pagina descrive come creare un'istanza di Vertex AI Workbench con Dataproc Spark abilitato. Questa pagina descrive inoltre i vantaggi dell'estensione JupyterLab di Dataproc e fornisce una panoramica su come utilizzarla con Dataproc Serverless e Dataproc su Compute Engine.

Panoramica dell'estensione JupyterLab di Dataproc

Le istanze di Vertex AI Workbench hanno l'estensione JupyterLab di Dataproc preinstallata, a partire dalla versione M113 e successive.

L'estensione JupyterLab di Dataproc offre due modi per eseguire i job dei notebook Apache Spark: cluster Dataproc e Dataproc Serverless.

  • I cluster Dataproc includono un ricco insieme di funzionalità con controllo sull'infrastruttura su cui viene eseguito Spark. Scegli le dimensioni e la configurazione del tuo cluster Spark, consentendo la personalizzazione e il controllo del tuo ambiente. Questo approccio è ideale per carichi di lavoro complessi, job di lunga durata e gestione delle risorse granulare.
  • Dataproc Serverless elimina i problemi di infrastruttura. Invii i job Spark e Google gestisce il provisioning, la scalabilità e l'ottimizzazione delle risorse dietro le quinte. Questo approccio serverless offre un'opzione economica per i carichi di lavoro di data science e ML.

Con entrambe le opzioni, puoi utilizzare Spark per l'elaborazione e l'analisi dei dati. La scelta tra i cluster Dataproc e Dataproc Serverless dipende dai requisiti specifici del carico di lavoro, dal livello di controllo richiesto e dai pattern di utilizzo delle risorse.

I vantaggi dell'utilizzo di Dataproc Serverless per i carichi di lavoro di data science e ML includono:

  • Nessuna gestione del cluster: non devi preoccuparti di eseguire il provisioning, configurare o gestire i cluster Spark. In questo modo risparmi tempo e risorse.
  • Scalabilità automatica: Dataproc Serverless consente di eseguire lo scale up e lo scale down in base al carico di lavoro, quindi paghi solo per le risorse che utilizzi.
  • Elevate prestazioni: Dataproc Serverless è ottimizzato per le prestazioni e sfrutta l'infrastruttura di Google Cloud.
  • Integrazione con altre Google Cloud tecnologie: Dataproc Serverless si integra con altri prodotti Google Cloud , come BigQuery e Catalogo universale Dataplex.

Per saperne di più, consulta la documentazione di Dataproc Serverless.

Prima di iniziare

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Enable the Cloud Resource Manager, Dataproc, and Notebooks APIs.

    Enable the APIs

    4.

  4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  5. Enable the Cloud Resource Manager, Dataproc, and Notebooks APIs.

    Enable the APIs

    6.

    Ruoli obbligatori

    Per assicurarti che l'account di servizio disponga delle autorizzazioni necessarie per eseguire un file del notebook su un cluster Dataproc Serverless o su un cluster Dataproc, chiedi all'amministratore di concedere all'account di servizio i seguenti ruoli IAM:

    Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

    Questi ruoli predefiniti contengono le autorizzazioni necessarie per eseguire un file del blocco note su un cluster Dataproc Serverless o su un cluster Dataproc. Per vedere quali sono esattamente le autorizzazioni richieste, espandi la sezione Autorizzazioni obbligatorie:

    Autorizzazioni obbligatorie

    Per eseguire un file del blocco note su un cluster Dataproc Serverless o su un cluster Dataproc sono necessarie le seguenti autorizzazioni:

    • dataproc.agents.create
    • dataproc.agents.delete
    • dataproc.agents.get
    • dataproc.agents.update
    • dataproc.tasks.lease
    • dataproc.tasks.listInvalidatedLeases
    • dataproc.tasks.reportStatus
    • dataproc.clusters.use

    L'amministratore potrebbe anche assegnare all'account di servizio queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

    Crea un'istanza con Dataproc abilitato

    Per creare un'istanza di Vertex AI Workbench con Dataproc abilitato, segui questi passaggi:

    1. Nella console Google Cloud , vai alla pagina Istanze.

      Vai a Istanze

    2. Fai clic su  Crea nuova.

    3. Nella finestra di dialogo Nuova istanza, fai clic su Opzioni avanzate.

    4. Nella finestra di dialogo Crea istanza, nella sezione Dettagli, assicurati che sia selezionata l'opzione Abilita sessioni interattive serverless di Dataproc.

    5. Assicurati che Tipo di Workbench sia impostato su Istanza.

    6. Nella sezione Ambiente, assicurati di utilizzare la versione più recente o una versione numerata M113 o successiva.

    7. Fai clic su Crea.

      Vertex AI Workbench crea un'istanza e la avvia automaticamente. Quando l'istanza è pronta per l'uso, Vertex AI Workbench attiva un link Apri JupyterLab.

    Apri JupyterLab

    Fai clic su Apri JupyterLab accanto al nome dell'istanza.

    La scheda Avvio app di JupyterLab si apre nel browser. Per impostazione predefinita, contiene sezioni per notebook Dataproc Serverless e job e sessioni Dataproc. Se nel progetto e nella regione selezionati sono presenti cluster Jupyter-ready, sarà presente una sezione denominata Notebook cluster Dataproc.

    Utilizzare l'estensione con Dataproc Serverless

    I modelli di runtime Dataproc Serverless che si trovano nella stessa regione e nello stesso progetto della tua istanza Vertex AI Workbench vengono visualizzati nella sezione Notebook Dataproc Serverless della scheda Avvio di JupyterLab.

    Per creare un modello di runtime, consulta Creare un modello di runtime Dataproc Serverless.

    Per aprire un nuovo notebook Spark serverless, fai clic su un modello di runtime. L'avvio del kernel Spark remoto richiede circa un minuto. Dopo l'avvio del kernel, puoi iniziare a scrivere codice.

    Utilizzare l'estensione con Dataproc su Compute Engine

    Se hai creato un cluster Jupyter Dataproc su Compute Engine, nella scheda Avvio è presente una sezione Notebook cluster Dataproc.

    Vengono visualizzate quattro schede per ogni cluster Dataproc compatibile con Jupyter a cui hai accesso nella regione e nel progetto.

    Per modificare la regione e il progetto:

    1. Seleziona Impostazioni > Impostazioni Cloud Dataproc.

    2. Nella scheda Configurazione di configurazione, in Informazioni sul progetto, modifica ID progetto e Regione, quindi fai clic su Salva.

      Queste modifiche non vengono applicate finché non riavvii JupyterLab.

    3. Per riavviare JupyterLab, seleziona File > Arresta e poi fai clic su Apri JupyterLab nella pagina Istanze Vertex AI Workbench.

    Per creare un nuovo notebook, fai clic su una scheda. Dopo l'avvio del kernel remoto sul cluster Dataproc, puoi iniziare a scrivere il codice e poi eseguirlo sul cluster.

    Gestire Dataproc su un'istanza utilizzando l'API e gcloud CLI

    Questa sezione descrive i modi per gestire Dataproc in un'istanza di Vertex AI Workbench.

    Modificare la regione del cluster Dataproc

    I kernel predefiniti dell'istanza Vertex AI Workbench, come Python e TensorFlow, sono kernel locali che vengono eseguiti nella VM dell'istanza. In un'istanza Vertex AI Workbench abilitata per Spark di Dataproc, il tuo notebook viene eseguito su un cluster Dataproc tramite un kernel remoto. Il kernel remoto viene eseguito su un servizio esterno alla VM dell'istanza, che ti consente di accedere a qualsiasi cluster Dataproc all'interno dello stesso progetto.

    Per impostazione predefinita, Vertex AI Workbench utilizza i cluster Dataproc nella stessa regione dell'istanza, ma puoi modificare la regione Dataproc purché il gateway dei componenti e il componente Jupyter facoltativo siano attivati sul cluster Dataproc.

    Testa l'accesso

    L'estensione JupyterLab di Dataproc è abilitata per impostazione predefinita per le istanze di Vertex AI Workbench. Per testare l'accesso a Dataproc, puoi controllare l'accesso ai kernel remoti della tua istanza inviando la seguente richiesta curl al dominio kernels.googleusercontent.com:

    curl --verbose -H "Authorization: Bearer $(gcloud auth print-access-token)" https://PROJECT_ID-dot-REGION.kernels.googleusercontent.com/api/kernelspecs | jq .

    Se il comando curl non va a buon fine, verifica quanto segue:

    1. Le voci DNS sono configurate correttamente.

    2. È disponibile un cluster nello stesso progetto (o dovrai crearne uno se non esiste).

    3. Nel cluster sono attivati sia il gateway dei componenti sia il componente Jupyter facoltativo.

    Disattivare Dataproc

    Le istanze Vertex AI Workbench vengono create con Dataproc attivato per impostazione predefinita. Puoi creare un'istanza di Vertex AI Workbench con Dataproc disattivato impostando la chiave disable-mixer metadata su true.

    gcloud workbench instances create INSTANCE_NAME --metadata=disable-mixer=true

    Abilita Dataproc

    Puoi attivare Dataproc su un'istanza Vertex AI Workbench interrotta aggiornando il valore dei metadati.

    gcloud workbench instances update INSTANCE_NAME --metadata=disable-mixer=false

    Gestire Dataproc con Terraform

    Le istanze Dataproc per Vertex AI Workbench su Terraform vengono gestite utilizzando la chiave disable-mixer nel campo dei metadati. Attiva Dataproc impostando la chiave disable-mixer metadata su false. Disattiva Dataproc impostando la chiave dei metadati disable-mixer su true.

    Per scoprire come applicare o rimuovere una configurazione Terraform, consulta Comandi Terraform di base.

    resource "google_workbench_instance" "default" {
  name     = "workbench-instance-example"
  location = "us-central1-a"

  gce_setup {
    machine_type = "n1-standard-1"
    vm_image {
      project = "cloud-notebooks-managed"
      family  = "workbench-instances"
    }
    metadata = {
      disable-mixer = "false"
    }
  }
}

    Risoluzione dei problemi

    Per diagnosticare e risolvere i problemi relativi alla creazione di un'istanza Dataproc abilitata per Spark, consulta la sezione Risoluzione dei problemi di Vertex AI Workbench.

    Passaggi successivi