Вычисления на кластерах Apache Spark™ в DataSphere

Сервис Yandex Data Proc позволяет разворачивать кластеры Apache Spark™. Вы можете использовать кластеры Data Proc, чтобы запускать распределенные обучения на кластерах. DataSphere поддерживает работу в сессиях, созданных с помощью Apache Livy.

Варианты развертывания кластеров

Вы можете развернуть кластер для вычислений в DataSphere двумя способами:

• создать кластер в DataSphere, используя специальный ресурс — шаблон Data Proc;
• самостоятельно создать кластер в сервисе Yandex Data Proc и интегрировать его в проект DataSphere.

Все кластеры Data Proc вне зависимости от варианта развертывания тарифицируются по правилам сервиса Yandex Data Proc. Все кластеры, доступные в проекте, можно посмотреть в разделе Ресурсы проекта ⟶ Data Proc на странице проекта.

Шаблоны Data Proc

В шаблоне Data Proc вы выбираете одну из предопределенных конфигураций кластера. На основе шаблона Data Proc, активированного в проекте, DataSphere развернет временный кластер, используя необходимые параметры проекта.

DataSphere следит за работой временных кластеров. Если в течение двух часов кластер не используется для вычислений, DataSphere его выключит. Вы можете повторно развернуть кластер в проекте, когда он вам понадобится. Вы также можете делиться шаблонами Data Proc с другими пользователями.

Подробнее о работе с шаблонами Data Proc.

Интеграция с сервисом Yandex Data Proc

Если вы уже работали с сервисом Yandex Data Proc, или стандартные конфигурации шаблонов вам не подходят, вы можете развернуть кластер и использовать его для вычислений в DataSphere.

Для корректной интеграции с DataSphere развернутый кластер Data Proc должен иметь версию образа не ниже 1.3 с включенными сервисами LIVY, SPARK, YARN и HDFS.

Настройки проекта DataSphere для работы с кластерами Data Proc

Для работы с кластерами Data Proc укажите в настройках проекта следующие параметры:

• Каталог для интеграции с другими сервисами Yandex Cloud. В нем будет развернут кластер Data Proc в рамках текущих квот облака, а стоимость использования кластера будет списана с платежного аккаунта облака.

• Подсеть для связи DataSphere с кластером Data Proc. Кластеру Data Proc необходим доступ в интернет, поэтому в подсети должен быть настроен NAT-шлюз.

  Примечание

  Если вы указали подсеть в настройках проекта, время выделения вычислительных ресурсов может быть увеличено.

• Сервисный аккаунт, от имени которого DataSphere будет создавать и управлять кластерами. Сервисному аккаунту понадобятся следующие роли:

  • dataproc.agent — для создания и использования кластеров Data Proc.
  • vpc.user — для работы с сетью кластера Data Proc.

Вычислительные сессии

В кластере Data Proc ваш код выполняется в сессиях. Сессия хранит промежуточное состояние до тех пор, пока вы не удалите ее или кластер. У каждого кластера есть сессия по умолчанию. Ее идентификатор равен идентификатору проекта.

Для управления сессиями используйте следующие команды:

• %create_livy_session --cluster <имя кластера> --id <идентификатор сессии> — создание сессии;
• %delete_livy_session --cluster <имя кластера> --id <идентификатор сессии> — удаление сессии.

Например, следующая команда создаст в кластере my-new-cluster сессию ses1, которая позволит каждому процессу использовать максимум 4 ядра CPU в кластере и 4 ГБ RAM (подробнее см. в документации Spark):

%create_livy_session --cluster my-new-cluster --id ses1 --conf spark.cores.max=4 --conf spark.executor.memory=4g

Полный список параметров livy-сессии см. в официальной документации.

Запуск python-кода в кластере

Код запускается в ячейках с заголовком:

#!spark [--cluster <кластер>] [--session <сессия>] [--variables <переменная>]

Где:

• <кластер> — кластер Data Proc, на котором будут производиться вычисления. Может быть:
  • Именем кластера, созданного через интерфейс ноутбука.
  • HTTP-ссылкой на внутренний IP-адрес хоста masternode, например http://10.0.0.8:8998/.
• <сессия> — идентификатор вычислительной сессии. Если параметр пропущен, используется сессия кластера Data Proc по умолчанию.
• <переменная> — переменная, импортированная в ячейку из ядра. Поддерживаемые типы: bool, int, float, str, pandas.DataFrame (преобразовывается в Spark DataFrame).

Пример использования вычислительных сессий с пользовательскими параметрами

Чтобы запустить вычисления в сессии с заданными настройками, сначала создайте сессию, а затем передайте код в ячейке с заголовком #!spark:

1. Создайте сессию и определите ее параметры:

   %create_livy_session --cluster my-new-cluster --id ses1 --conf spark.cores.max=4 --conf spark.executor.memory=4g
   

2. В следующей ячейке запустите вычисления:

   #!spark --cluster my-new-cluster --session ses1
   import random
   
   def inside(p):
   x, y = random.random(), random.random()
   return x*x + y*y < 1
   
   NUM_SAMPLES = 1_000_000
   
   count = sc.parallelize(range(0, NUM_SAMPLES)) \
      .filter(inside).count()
   print("Pi is roughly %f" % (4.0 * count / NUM_SAMPLES))
   

3. Если сессия вам больше не нужна, удалите ее:

   %delete_livy_session --cluster my-new-cluster --id ses1
   

Работа с библиотекой Spark SQL

DataSphere может работать с библиотекой Spark SQL. Например, следующий запрос вернет все записи в таблице animals, созданной в кластере cluster test-dataproc-cluster:

#!spark --cluster test-dataproc-cluster
df = spark.sql("SELECT * FROM animals;")
df.show()

Подробнее о синтаксисе SQL-запросов и работе с библиотекой Spark SQL см. в официальной документации.

См. также

• Шаблоны Data Proc.
• Интеграция с сервисом Yandex Data Proc.