Cuando envías un trabajo de Dataproc, Dataproc recopila automáticamente el resultado del trabajo y lo pone a tu disposición. Esto significa que puedes revisar con rapidez el resultado del trabajo sin tener que mantener una conexión con el clúster mientras se ejecutan tus trabajos o analizar archivos de registro complicados.
Registros de Spark
Existen dos tipos de registros de Spark: registros del controlador de Spark y registros del ejecutor de Spark.
Los registros del controlador de Spark contienen el resultado del trabajo. Los registros del ejecutor de Spark contienen el resultado ejecutable o del selector de trabajos, como un mensaje spark-submit "Se envió la aplicación xxx", y pueden ser útiles para depurar fallas de trabajo.
El controlador de trabajos de Dataproc, que es distinto del controlador de Spark, es un selector para muchos tipos de trabajos. Cuando inicias trabajos de Spark, estos se ejecutan como
wrapper en el ejecutable spark-submit subyacente, que inicia el Spark
controlador. El controlador de Spark ejecuta el trabajo en el clúster de Dataproc en el modo client o cluster de Spark:
Modo
client: el controlador de Spark ejecuta el trabajo en el procesospark-submit. y los registros de Spark se envían al controlador del trabajo de Dataproc.Modo
cluster: el controlador de Spark ejecuta el trabajo en un contenedor YARN. Los registros del controlador de Spark no están disponibles para el controlador de trabajos de Dataproc.
Descripción general de las propiedades del trabajo de Dataproc y Spark
| Propiedad | Valor | Default | Descripción |
|---|---|---|---|
dataproc:dataproc.logging.stackdriver.job.driver.enable |
True o False | falso | Se debe configurar en el momento de la creación del clúster. Cuando true, el resultado del controlador de trabajos está en Logging, asociado con el recurso del trabajo. Cuando false, el resultado del controlador de trabajos no está en Logging.Nota: La siguiente configuración de la propiedad del clúster también es necesaria para habilitar los registros del controlador de trabajos en Logging y se configuran clúster: dataproc:dataproc.logging.stackdriver.enable=true
y dataproc:jobs.file-backed-output.enable=true
|
dataproc:dataproc.logging.stackdriver.job.yarn.container.enable |
True o False | falso | Se debe configurar en el momento de la creación del clúster.
Cuando es true, se asocian los registros del contenedor YARN de trabajo
con el recurso de trabajo; cuando false, registros de contenedores de YARN
están asociados con el recurso del clúster. |
spark:spark.submit.deployMode |
cliente o clúster | cliente | Controla el modo client o cluster de Spark. |
Trabajos de Spark enviados con la API de jobs de Dataproc
En las tablas de esta sección, se indica el efecto de la configuración de diferentes propiedades en el destino del resultado del controlador de trabajos de Dataproc cuando se envían trabajos a través de la API de jobs de Dataproc, lo que incluye el envío de trabajos a través de la consola de Google Cloud, gcloud CLI y las bibliotecas cliente de Cloud.
Las propiedades de Dataproc y Spark que se enumeran se pueden configurar con la marca --properties cuando se crea un clúster y se aplicarán a todos los trabajos de Spark que se ejecuten en él. Las propiedades de Spark también se pueden configurar con la marca --properties (sin el prefijo "spark:") cuando se envía un trabajo a la API de jobs de Dataproc y se aplicará solo a ese trabajo.
Resultado del controlador del trabajo de Dataproc
En las siguientes tablas, se indica el efecto de la configuración de diferentes propiedades en el destino de la salida del controlador de trabajos de Dataproc.
dataproc: |
Salida |
|---|---|
| false (predeterminado) |
|
| true |
|
Registros del controlador de Spark
Las siguientes tablas muestran el efecto de diferentes configuraciones de propiedades en el destino de los registros del controlador de Spark.
spark: |
dataproc: |
dataproc: |
Salida del controlador |
|---|---|---|---|
| cliente | false (predeterminado) | True o False |
|
| cliente | true | True o False |
|
| clúster | false (predeterminado) | falso |
|
| clúster | true | true |
|
Registros del ejecutor de Spark
En las siguientes tablas, se indica el efecto de la configuración de diferentes propiedades en el destino de los registros del ejecutor de Spark.
dataproc: |
Registro del ejecutor |
|---|---|
| false (predeterminado) | En Logging: yarn-userlogs en el recurso del clúster |
| true | En Logging dataproc.job.yarn.container, en el recurso de trabajo |
Trabajos de Spark enviados sin usar la API de jobs de Dataproc
En esta sección, se explica el efecto de diferentes configuraciones de propiedades en el
destino de los registros de trabajos de Spark cuando se envían los trabajos
sin usar la API de jobs de Dataproc, por ejemplo, cuando envíes
un trabajo directamente en un nodo de clúster con spark-submit o cuando se usa un Jupyter
o notebook de Zeppelin. Estos trabajos no tienen IDs o controladores de trabajo de Dataproc.
Registros del controlador de Spark
Las siguientes tablas muestran el efecto de diferentes configuraciones de propiedades en el
destino de los registros del controlador de Spark para los trabajos no enviados a través de la API de jobs de Dataproc.
spark: |
Salida del controlador |
|---|---|
| cliente |
|
| clúster |
|
Registros del ejecutor de Spark
Cuando los trabajos de Spark no se envían a través de la API jobs de Dataproc, el ejecutor
están en Logging yarn-userlogs, en el recurso del clúster.
Ver el resultado del trabajo
Puedes acceder al resultado del trabajo de Dataproc en la consola de Google Cloud, la CLI de gcloud, Cloud Storage o Logging.
Console
Para ver el resultado del trabajo, ve a la sección Trabajos de tu proyecto de Dataproc y, luego, haz clic en ID del trabajo para ver el resultado del trabajo.
Si el trabajo se está ejecutando, el resultado se actualiza de forma periódica con contenido nuevo.
Comando de gcloud
Cuando envías un trabajo con el
gcloud dataproc jobs submit
, el resultado del trabajo se muestra en la consola. Puedes “reunificar” el resultado más adelante, en una computadora diferente o en una nueva ventana si pasas el ID de tu trabajo al comando gcloud dataproc jobs wait. El ID del trabajo es un GUID, como 5c1754a5-34f7-4553-b667-8a1199cb9cab. A continuación, se muestra un ejemplo.
gcloud dataproc jobs wait 5c1754a5-34f7-4553-b667-8a1199cb9cab \ --project my-project-id --region my-cluster-region
Waiting for job output... ... INFO gcs.GoogleHadoopFileSystemBase: GHFS version: 1.4.2-hadoop2 ... 16:47:45 INFO client.RMProxy: Connecting to ResourceManager at my-test-cluster-m/ ...
Cloud Storage
El resultado del trabajo se almacena en Cloud Storage en ya sea el bucket de etapa de pruebas o el bucket que especificaste cuando creaste el clúster. Se proporciona un vínculo al resultado del trabajo en Cloud Storage en el campo Job.driverOutputResourceUri que muestran estas opciones:
- Una solicitud a la API de jobs.get
- Un comando gcloud dataproc jobs describe job-id
$ gcloud dataproc jobs describe spark-pi ... driverOutputResourceUri: gs://dataproc-nnn/jobs/spark-pi/driveroutput ...