Visão geral dos modelos de fluxo de trabalho do Managed Service for Apache Spark

A API WorkflowTemplates do Serviço Gerenciado para Apache Spark oferece um mecanismo flexível e fácil de usar para gerenciar e executar fluxos de trabalho. Um modelo de fluxo de trabalho é uma configuração de fluxo de trabalho reutilizável. Ele define um gráfico de jobs com informações sobre onde executar esses jobs.

Pontos principais

  • Instanciar um modelo de fluxo de trabalho inicia um fluxo de trabalho. Um fluxo de trabalho é uma operação que executa um gráfico acíclico dirigido (DAG) de jobs em um cluster.
    • Se usar um cluster gerenciado, o fluxo de trabalho criará o cluster, executará os jobs e excluirá o cluster quando os jobs forem concluídos.
    • Se usar um seletor de clusters, o fluxo de trabalho executará jobs em um cluster atual selecionado.
  • Os fluxos de trabalho são ideais para fluxos de job complexos. Você pode criar dependências de job para que um job seja iniciado somente após a conclusão das dependências.
  • Quando você cria um modelo de fluxo de trabalho, o Serviço Gerenciado para Apache Spark não cria um cluster nem envia jobs para um cluster. O Serviço Gerenciado para Apache Spark cria ou seleciona um cluster e executa jobs de fluxo de trabalho nele quando um modelo de fluxo de trabalho é instanciado.

Tipos de modelos de fluxo de trabalho

Cluster gerenciado

Um modelo de fluxo de trabalho pode especificar um cluster gerenciado. O fluxo de trabalho vai criar um cluster "temporário" para executar jobs de fluxo de trabalho e, em seguida, excluir o cluster quando o fluxo de trabalho for concluído.

Seletor de clusters

Um modelo de fluxo de trabalho pode especificar um cluster atual em que os jobs de fluxo de trabalho serão executados. Para isso, especifique um ou mais rótulos de usuário anexados anteriormente ao cluster. O fluxo de trabalho será executado em um cluster que corresponda a todos os rótulos. Se vários clusters corresponderem a todos os rótulos, o Serviço Gerenciado para Apache Spark vai selecionar o cluster com mais memória disponível do YARN para executar todos os jobs do fluxo de trabalho. No final do fluxo de trabalho, o Serviço Gerenciado para Apache Spark não exclui o cluster selecionado. Consulte Usar seletores de cluster com fluxos de trabalho para mais informações.

Parametrizado

Se você for executar um modelo de fluxo de trabalho várias vezes com valores diferentes, use parâmetros para evitar a edição do modelo de fluxo de trabalho em cada execução:

  1. definir parâmetros no modelo e, em seguida,

  2. transmitir valores diferentes para os parâmetros de cada execução.

Consulte Parametrização de modelos de fluxo de trabalho para saber mais informações.

Inline

Workflows podem ser instanciados inline usando o comando gcloud com arquivos YAML de modelo de fluxo de trabalho ou chamando a API InstantiateInline do serviço gerenciado para Apache Spark (consulte Como usar fluxos de trabalho inline do Dataproc). Os fluxos de trabalho inline não criam nem modificam recursos do modelo de fluxo de trabalho.

Casos de uso do modelo de fluxo de trabalho

  • Automação de tarefas repetitivas. Os fluxos de trabalho encapsulam configurações e trabalhos de cluster mais usados.

  • Modelo de interação da API transacional de disparo e esquecimento. Os modelos de fluxo de trabalho substituem as etapas envolvidas em um fluxo típico, que incluem:

    1. criar o cluster
    2. enviar jobs
    3. sondagem
    4. excluir o cluster

    Os modelos de fluxo de trabalho usam um único token para acompanhar o progresso desde a criação até a exclusão do cluster, além de automatizar o tratamento de erros e a recuperação. Eles também simplificam a integração do Serviço Gerenciado para Apache Spark com outras ferramentas, como o Cloud Run functions e o Serviço Gerenciado para Apache Airflow.

  • Suporte para clusters efêmeros e de longa duração. Uma complexidade comum associada à execução do Apache Hadoop é ajustar e dimensionar clusters. Os clusters efêmeros (gerenciados) são mais fáceis de configurar porque executam uma única carga de trabalho. Os seletores de cluster podem ser usados com clusters de longa duração para executar repetidamente a mesma carga de trabalho sem incorrer no custo amortizado de criação e exclusão de clusters.

  • Segurança granular do IAM. A criação de clusters do Serviço Gerenciado para Apache Spark e o envio de jobs exigem permissões do IAM do tipo "tudo ou nada". Os modelos de fluxo de trabalho usam uma permissão workflowTemplates.instantiate por modelo e não dependem de permissões de cluster ou job.