"Managed Service for Apache Spark" is the new name for the product formerly known as "Dataproc on Compute Engine" (cluster deployment) and "Google Cloud Serverless for Apache Spark" (serverless deployment).

Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

自动微调 Spark 批处理工作负载

借助 Managed Service for Apache Spark 自动调优功能，您无需手动配置即可优化周期性批量工作负载，从而提高性能和弹性。自动调优功能无需您评估复杂的 Spark 参数，而是会分析之前的运行（称为同类群组），并根据 Spark 最佳实践自动应用设置。

本文档介绍了如何自动调节 Managed Service for Apache Spark 批量工作负载。由于 Spark 配置选项众多，且难以评估这些选项对工作负载的影响，因此优化 Spark 工作负载以提高性能和弹性可能具有挑战性。Managed Service for Apache Spark 自动调节功能可根据 Spark 优化最佳实践和对工作负载运行（称为“同类群组”）的分析，自动将 Spark 配置设置应用于周期性 Spark 工作负载，从而替代手动工作负载配置。

如需注册以获取对本页面中所述的 Managed Service for Apache Spark 自动调节预览版的访问权限，请填写并提交 Managed Service for Apache Spark 预览版访问权限请求注册表单。表单获得批准后，表单中列出的项目便可使用预览版功能。

优势

Managed Service for Apache Spark 自动调节功能可提供以下优势：

自动优化：自动调整低效的 Managed Service for Apache Spark 批处理和 Spark 配置，从而加快作业运行速度。
历史学习：从周期性运行中学习，以应用针对您的工作负载量身定制的建议。

自动调节同类群组

自动调优会应用于批处理工作负载的周期性执行（同类群组）。

您在提交批处理工作负载时指定的同类群组名称会将其标识为周期性工作负载的连续运行之一。

自动调优会按如下方式应用于批量工作负载同类群组：

系统会计算自动调优并将其应用于工作负载的第二个及后续同类群组。自动调节不适用于周期性工作负载的首次运行，因为 Managed Service for Apache Spark 自动调节会使用工作负载历史记录进行优化。
自动调节不会追溯应用于正在运行的工作负载，而只会应用于新提交的工作负载。
自动调优功能会通过分析同类群组统计信息，不断学习和改进。为了让系统收集足够的数据，我们建议您至少在五次运行中保持启用自动调优功能。

同类群组名称：建议的做法是使用有助于识别周期性工作负载类型的同类群组名称。例如，您可以将 daily_sales_aggregation 用作运行每日销售汇总任务的计划工作负载的同类群组名称。

自动调节场景

如果适用，自动调优会自动选择并执行以下 scenarios 或目标，以优化批处理工作负载：

扩缩：Spark 自动扩缩配置设置。
联接优化：用于优化 SQL 广播联接性能的 Spark 配置设置。
shuffle 分区：用于调整 shuffle 分区的 Spark 配置设置。

使用 Managed Service for Apache Spark 自动调节功能

您可以使用 Google Cloud 控制台、Google Cloud CLI、Dataproc API 或 Cloud 客户端库，为批处理工作负载启用 Managed Service for Apache Spark 自动调节功能。

控制台

如需在每次提交周期性批量工作负载时启用 Managed Service for Apache Spark 自动调节功能，请执行以下步骤：

在 Google Cloud 控制台中，前往 Managed Service for Apache Spark 批量页面。

前往 Managed Service for Apache Spark 批处理
如需创建批处理工作负载，请点击创建。
在自动调节部分中：
- 切换启用按钮，为 Spark 工作负载启用自动调节。
- 队列：填写队列名称，用于将批次标识为一系列周期性工作负载之一。自动调节功能会应用于使用此同类群组名称提交的第二个及后续工作负载。例如，为运行每日销售汇总任务的预定批量工作负载指定 daily_sales_aggregation 作为同类群组名称。
根据需要填写创建批处理页面的其他部分，然后点击提交。如需详细了解这些字段，请参阅提交批处理工作负载。

gcloud

如需在每次提交周期性批量工作负载时启用 Managed Service for Apache Spark 自动调节功能，请在本地终端窗口或 Cloud Shell 中运行以下 gcloud CLI gcloud dataproc batches submit 命令。

gcloud dataproc batches submit COMMAND \
    --region=REGION \
    --cohort=COHORT \
    --autotuning-scenarios=auto  \
    other arguments ...

替换以下内容：

COMMAND：Spark 工作负载类型，例如 Spark、PySpark、Spark-Sql 或 Spark-R。
REGION：批量工作负载在其中运行的区域。
COHORT：同类群组名称，用于将批处理标识为一系列周期性工作负载之一。自动调节功能会应用于使用此同类群组名称提交的第二个及后续工作负载。例如，对于运行每日销售汇总任务的预定批量工作负载，请指定 daily_sales_aggregation 作为同类群组名称。
--autotuning-scenarios=auto：启用自动调节。

注意：auto 是推荐设置，可自动从自动调节中受益。不过，如果需要，您可以指定一个或多个以逗号分隔的特定场景，以应用于工作负载（例如 scaling 或 broadcast-hash-join）。

API

如需在每次提交周期性批量工作负载时启用 Managed Service for Apache Spark 自动调节，请提交包含以下字段的 batches.create 请求：

RuntimeConfig.cohort：同类群组名称，用于将批处理标识为一系列周期性工作负载之一。自动调节功能会应用于使用此同类群组名称提交的第二个及后续工作负载。例如，对于运行每日销售汇总任务的预定批量工作负载，请指定 daily_sales_aggregation 作为同类群组名称。
AutotuningConfig.scenarios：指定 AUTO 以在 Spark 批处理工作负载上启用自动调优。

注意：AUTO 是推荐设置，可自动从自动调节中受益。不过，如果需要，您可以指定一个或多个要应用于工作负载的特定场景（例如 SCALING 或 BROADCAST_HASH_JOIN）。

示例：

...
runtimeConfig:
  cohort: COHORT_NAME
  autotuningConfig:
    scenarios:
    - AUTO
...

Java

在尝试此示例之前，请按照《Managed Service for Apache Spark 快速入门：使用客户端库》中的 Java 设置说明进行操作。如需了解详情，请参阅 Managed Service for Apache Spark Java API 参考文档。

如需向 Managed Service for Apache Spark 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。

如需在每次提交周期性批量工作负载时启用 Managed Service for Apache Spark 自动调节功能，请使用包含以下字段的 CreateBatchRequest 调用 BatchControllerClient.createBatch：

Batch.RuntimeConfig.cohort：同类群组名称，用于将批处理标识为一系列周期性工作负载之一。自动调节功能会应用于使用此同类群组名称提交的第二个及后续工作负载。例如，您可以将 daily_sales_aggregation 指定为运行每日销售汇总任务的预定批量工作负载的同类群组名称。
Batch.RuntimeConfig.AutotuningConfig.scenarios：指定 AUTO 以在 Spark 批处理工作负载上启用自动调节。

注意：AUTO 是推荐设置，可自动从自动调节中受益。不过，如果需要，您可以指定一个或多个要应用于工作负载的特定场景（例如 SCALING 或 BROADCAST_HASH_JOIN）。

示例：

...
Batch batch =
  Batch.newBuilder()
    .setRuntimeConfig(
      RuntimeConfig.newBuilder()
        .setCohort("daily_sales_aggregation")
        .setAutotuningConfig(
          AutotuningConfig.newBuilder()
            .addScenarios(Scenario.AUTO))
    ...
  .build();

batchControllerClient.createBatch(
    CreateBatchRequest.newBuilder()
        .setParent(parent)
        .setBatchId(batchId)
        .setBatch(batch)
        .build());
...

如需使用该 API，您必须使用 google-cloud-dataproc 客户端库 4.43.0 版或更高版本。您可以使用以下配置之一将库添加到项目中。

Maven

<dependencies>
 <dependency>
   <groupId>com.google.cloud</groupId>
   <artifactId>google-cloud-dataproc</artifactId>
   <version>4.43.0</version>
 </dependency>
</dependencies>

Gradle

implementation 'com.google.cloud:google-cloud-dataproc:4.43.0'

SBT

libraryDependencies += "com.google.cloud" % "google-cloud-dataproc" % "4.43.0"

Python

在尝试此示例之前，请按照《Managed Service for Apache Spark 快速入门：使用客户端库》中的 Python 设置说明进行操作。如需了解详情，请参阅 Managed Service for Apache Spark Python API 参考文档。

如需向 Managed Service for Apache Spark 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为本地开发环境设置身份验证。

如需在每次提交周期性批量工作负载时启用 Managed Service for Apache Spark 自动调节功能，请使用包含以下字段的 Batch 调用 BatchControllerClient.create_batch：

batch.runtime_config.cohort：同类群组名称，用于将批处理标识为一系列周期性工作负载之一。自动调节功能会应用于使用此同类群组名称提交的第二个及后续工作负载。例如，您可以将 daily_sales_aggregation 指定为运行每日销售汇总任务的计划批量工作负载的同类群组名称。
batch.runtime_config.autotuning_config.scenarios：指定 AUTO 以在 Spark 批处理工作负载上启用自动调节。

注意：AUTO 是推荐设置，可自动从自动调节中受益。不过，如果需要，您可以指定一个或多个要应用于工作负载的特定场景（例如 SCALING 或 BROADCAST_HASH_JOIN）。

示例：

# Create a client
client = dataproc_v1.BatchControllerClient()

# Initialize request argument(s)
batch = dataproc_v1.Batch()
batch.pyspark_batch.main_python_file_uri = "gs://bucket/run_tpcds.py"
batch.runtime_config.cohort = "daily_sales_aggregation"
batch.runtime_config.autotuning_config.scenarios = [
    Scenario.AUTO
]

request = dataproc_v1.CreateBatchRequest(
    parent="parent_value",
    batch=batch,
)

# Make the request
operation = client.create_batch(request=request)

如需使用该 API，您必须使用 google-cloud-dataproc 客户端库 5.10.1 版或更高版本。如需将其添加到项目中，您可以使用以下要求：

google-cloud-dataproc>=5.10.1

Airflow

您可以使用 Airflow 安排每个周期性批处理工作负载的提交，而无需手动提交每个自动调节的批处理队列。为此，请使用包含以下字段的 Batch 调用 BatchControllerClient.create_batch：

batch.runtime_config.cohort：同类群组名称，用于将批处理标识为一系列周期性工作负载之一。自动调节功能会应用于使用此同类群组名称提交的第二个及后续工作负载。例如，您可以将 daily_sales_aggregation 指定为运行每日销售汇总任务的计划批量工作负载的同类群组名称。
batch.runtime_config.autotuning_config.scenarios：指定 AUTO 以在 Spark 批处理工作负载上启用自动调节。

注意：AUTO 是推荐设置，可自动从自动调节中受益。不过，如果需要，您可以指定一个或多个要应用于工作负载的特定场景（例如 SCALING 或 BROADCAST_HASH_JOIN）。

示例：

create_batch = DataprocCreateBatchOperator(
    task_id="batch_create",
    batch={
        "pyspark_batch": {
            "main_python_file_uri": PYTHON_FILE_LOCATION,
        },
        "environment_config": {
            "peripherals_config": {
                "spark_history_server_config": {
                    "dataproc_cluster": PHS_CLUSTER_PATH,
                },
            },
        },
        "runtime_config": {
            "cohort": "daily_sales_aggregation",
            "autotuning_config": {
                "scenarios": [
                    Scenario.AUTO,
                ]
            }
        },
    },
    batch_id="BATCH_ID",
)

如需使用该 API，您必须使用 google-cloud-dataproc 客户端库 5.10.1 版或更高版本。您可以使用以下 Airflow 环境要求：

google-cloud-dataproc>=5.10.1

如需在 Managed Service for Apache Airflow 中更新软件包，请参阅为 Managed Airflow 安装 Python 依赖项。

查看自动调优更改

如需查看 Managed Service for Apache Spark 对批量工作负载进行的自动调节更改，请运行 gcloud dataproc batches describe 命令。

示例：gcloud dataproc batches describe 输出类似于以下内容：

...
runtimeInfo:
  propertiesInfo:
    # Properties set by autotuning.
    autotuningProperties:
      spark.dataproc.sql.broadcastJoin.hints:
        annotation: Converted 1 Sort-Merge Joins to Broadcast Hash Join
        value: v2;Inner,<hint>
      spark.dynamicAllocation.initialExecutors:
        annotation: Adjusted Initial executors based on stages submitted in first
          2 minutes to 9
        overriddenValue: '2'
        value: '9'
      spark.dynamicAllocation.maxExecutors:
        annotation: Tuned Max executors to 11
        overriddenValue: '5'
        value: '11'
      spark.dynamicAllocation.minExecutors:
        annotation: Changed Min executors to 9
        overriddenValue: '2'
        value: '9'
...

您可以在 Google Cloud 控制台中的批处理详情页面上的摘要标签页下，查看应用于正在运行、已完成或失败的工作负载的最新自动调节更改。

自动调节摘要面板。

价格

在非公开预览版期间，Managed Service for Apache Spark 自动调节功能免费提供。适用标准 Managed Service for Apache Spark 价格。