Создание кластера Yandex Data Processing

Если у вас еще нет интерфейса командной строки Yandex Cloud, установите и инициализируйте его.

По умолчанию используется каталог, указанный в профиле CLI. Вы можете указать другой каталог с помощью параметра --folder-name или --folder-id.

Чтобы создать кластер Yandex Data Processing:

1. Проверьте, есть ли в каталоге подсети для хостов кластера Yandex Data Processing:

   yc vpc subnet list
   

   Если ни одной подсети в каталоге нет, создайте нужные подсети в сервисе Yandex Virtual Private Cloud.

2. Посмотрите описание команды CLI для создания кластера Yandex Data Processing:

   yc dataproc cluster create --help
   

3. Укажите параметры кластера Yandex Data Processing в команде создания (в примере приведены не все доступные параметры):

   yc dataproc cluster create <имя_кластера> \
     --bucket=<имя_бакета> \
     --zone=<зона_доступности> \
     --service-account-name=<имя_сервисного_аккаунта> \
     --version=<версия_образа> \
     --services=<список_компонентов> \
     --ssh-public-keys-file=<путь_к_открытому_SSH-ключу> \
     --subcluster name=<имя_подкластера_с_хостом-мастером>,`
                  `role=masternode,`
                  `resource-preset=<класс_хоста>,`
                  `disk-type=<тип_хранилища>,`
                  `disk-size=<размер_хранилища_ГБ>,`
                  `subnet-name=<имя_подсети>,`
                  `assign-public-ip=<публичный_доступ_к_хосту_подкластера> \
     --subcluster name=<имя_подкластера_для_хранения_данных>,`
                  `role=datanode,`
                  `resource-preset=<класс_хоста>,`
                  `disk-type=<тип_хранилища>,`
                  `disk-size=<размер_хранилища_ГБ>,`
                  `subnet-name=<имя_подсети>,`
                  `hosts-count=<количество_хостов>,`
                  `assign-public-ip=<публичный_доступ_к_хосту_подкластера> \
     --deletion-protection \
     --ui-proxy=<доступ_к_веб-интерфейсам_компонентов> \
     --log-group-id=<идентификатор_лог-группы> \
     --security-group-ids=<список_идентификаторов_групп_безопасности>
   

   Примечание

   Имя кластера Yandex Data Processing должно быть уникальным в рамках каталога. Может содержать латинские буквы, цифры, дефис и подчеркивание. Максимальная длина имени 63 символа.

   Где:

   • --bucket — имя бакета в Object Storage, в котором будут храниться зависимости заданий и результаты их выполнения. Сервисный аккаунт кластера Yandex Data Processing должен иметь разрешение READ и WRITE для этого бакета.

   • --zone — зона доступности, в которой должны быть размещены хосты кластера Yandex Data Processing.

   • --service-account-name — имя сервисного аккаунта кластера Yandex Data Processing. Сервисному аккаунту кластера Yandex Data Processing должны быть назначены роли:

     • dataproc.agent — чтобы сервисный аккаунт мог получать информацию о состоянии хостов кластера, заданиях и лог-группах.
     • dataproc.provisioner — чтобы сервисный аккаунт мог взаимодействовать с автоматически масштабируемой группой ВМ. Тогда будет доступно автомасштабирование подкластеров.

   • --version — версия образа.

     Используя образ версии 2.0.39 или выше, вы можете создать легковесный кластер без HDFS и подкластеров для хранения данных. При этом обязательно добавьте один или несколько подкластеров для обработки данных и укажите имя бакета.

     Совет

     Чтобы использовать самую свежую версию образа, укажите значение 2.0 в параметре --version.

   • --services — список компонентов, которые вы хотите использовать в кластере Yandex Data Processing. Если не указать этот параметр, будет использоваться набор по умолчанию: yarn, tez, spark.

   • --ssh-public-keys-file — полный путь к файлу с публичной частью SSH-ключа, который будет использоваться для доступа к хостам кластера Yandex Data Processing. Как создать и использовать SSH-ключи, читайте в документации Yandex Compute Cloud.

   • --subcluster — параметры подкластеров Yandex Data Processing:

     • name — имя подкластера Yandex Data Processing.

     • role — роль подкластера Yandex Data Processing: masternode, datanode или computenode.

     • resource-preset — класс хостов.

     • disk-type — тип хранилища: network-ssd, network-hdd или network-ssd-nonreplicated.

     • disk-size — размер хранилища в гигабайтах.

     • subnet-name — имя подсети.

     • hosts-count — количество хостов подкластеров Yandex Data Processing для хранения или обработки данных. Минимальное значение — 1, максимальное — 32.

     • assign-public-ip — доступ к хостам подкластера Yandex Data Processing из интернета. Может принимать значения true или false. Если доступ включен, подключаться к кластеру Yandex Data Processing можно только с использованием SSL-соединения. Подробнее см. в разделе Подключение к кластеру Yandex Data Processing.

       Важно

       После создания кластера Yandex Data Processing невозможно запросить или отключить публичный доступ к подкластеру. Однако подкластер Yandex Data Processing для обработки данных можно удалить и создать заново с нужной настройкой публичного доступа.

   • --deletion-protection — защита от удаления кластера Yandex Data Processing.

     Включенная защита от удаления кластера не помешает подключиться к нему вручную и удалить данные.

   • --ui-proxy — доступ к веб-интерфейсам компонентов Yandex Data Processing. Может принимать значения true или false.

   • --log-group-id — идентификатор лог-группы.

   • --security-group-ids — список идентификаторов групп безопасности.

   Чтобы создать кластер Yandex Data Processing, состоящих из нескольких подкластеров для хранения или обработки данных, передайте необходимое количество аргументов --subcluster в команде создания кластера:

   yc dataproc cluster create <имя_кластера> \
     ...
     --subcluster <параметры_подкластера> \
     --subcluster <параметры_подкластера> \
     ...
   

4. Чтобы включить автоматическое масштабирование в подкластерах Yandex Data Processing для обработки данных, задайте параметры:

   yc dataproc cluster create <имя_кластера> \
     ...
     --subcluster name=<имя_подкластера>,`
                  `role=computenode`
                  `...`
                  `hosts-count=<минимальное_количество_хостов>`
                  `max-hosts-count=<максимальное_количество_хостов>,`
                  `preemptible=<использование_прерываемых_ВМ>,`
                  `warmup-duration=<время_на_разогрев_ВМ>,`
                  `stabilization-duration=<период_стабилизации>,`
                  `measurement-duration=<промежуток_измерения_нагрузки>,`
                  `cpu-utilization-target=<целевой_уровень_загрузки_CPU>,`
                  `autoscaling-decommission-timeout=<таймаут_декомиссии>
   

   Где:

   • hosts-count — минимальное количество хостов (ВМ) в подкластере Yandex Data Processing. Минимальное значение — 1, максимальное — 32.
   • max-hosts-count — максимальное количество хостов (ВМ) в подкластере Yandex Data Processing. Минимальное значение — 1, максимальное — 100.
   • preemptible — использование прерываемых ВМ. Может принимать значения true или false.
   • warmup-duration — время в секундах на разогрев ВМ, в формате <значение>s. Минимальное значение — 0s, максимальное — 600s (10 минут).
   • stabilization-duration — период в секундах, в течение которого требуемое количество ВМ не может быть снижено, в формате <значение>s. Минимальное значение — 60s (1 минута), максимальное — 1800s (30 минут).
   • measurement-duration — период в секундах, за который замеры нагрузки усредняются для каждой ВМ, в формате <значение>s. Минимальное значение — 60s (1 минута), максимальное — 600s (10 минут).
   • cpu-utilization-target — целевой уровень загрузки CPU, в процентах. Используйте эту настройку, чтобы включить масштабирование на основе загрузки CPU, иначе в качестве метрики будет использоваться yarn.cluster.containersPending (на основе количества ожидающих задания ресурсов). Минимальное значение — 10, максимальное — 100.
   • autoscaling-decommission-timeout — таймаут декомиссии в секундах. Минимальное значение — 0, максимальное — 86400 (сутки).

5. Чтобы создать кластер Yandex Data Processing, размещенный на группах выделенных хостов, укажите через запятую их идентификаторы в параметре --host-group-ids:

   yc dataproc cluster create <имя_кластера> \
     ...
     --host-group-ids=<идентификаторы_групп_выделенных_хостов>
   

   Внимание

   Эту настройку нельзя изменить после создания кластера. Использование выделенных хостов существенно влияет на тарификацию кластера.

6. Чтобы настроить хосты кластера Yandex Data Processing с помощью скриптов инициализации, укажите их в одном или нескольких параметрах --initialization-action:

   yc dataproc cluster create <имя_кластера> \
     ...
     --initialization-action uri=<URI_скрипта_инициализации>,`
                             `timeout=<таймаут_выполнения_скрипта>,`
                             `args=["arg1","arg2","arg3",...]
   

   Где:

   • uri — ссылка на скрипт инициализации в схеме https://, http://, hdfs:// или s3a://.
   • (Опционально) timeout — таймаут выполнения скрипта, в секундах. Скрипт инициализации, выполняющийся дольше указанного времени, будет прерван.
   • (Опционально) args — разделенные запятыми аргументы, с которыми должен быть выполнен скрипт инициализации.

Terraform позволяет быстро создать облачную инфраструктуру в Yandex Cloud и управлять ею с помощью файлов конфигураций. В файлах конфигураций хранится описание инфраструктуры на языке HCL (HashiCorp Configuration Language). При изменении файлов конфигураций Terraform автоматически определяет, какая часть вашей конфигурации уже развернута, что следует добавить или удалить.

Terraform распространяется под лицензией Business Source License, а провайдер Yandex Cloud для Terraform — под лицензией MPL-2.0.

Подробную информацию о ресурсах провайдера смотрите в документации на сайте Terraform или в зеркале.

Чтобы создать кластер Yandex Data Processing:

1. В командной строке перейдите в каталог, в котором будут расположены конфигурационные файлы Terraform с планом инфраструктуры. Если такой директории нет — создайте ее.

2. Если у вас еще нет Terraform, установите его и настройте провайдер Yandex Cloud.

3. Создайте конфигурационный файл с описанием облачной сети и подсетей.

   Кластер Yandex Data Processing размещается в облачной сети. Если подходящая сеть у вас уже есть, описывать ее повторно не нужно.

   Хосты кластера Yandex Data Processing размещаются в подсетях выбранной облачной сети. Если подходящие подсети у вас уже есть, описывать их повторно не нужно.

   Пример структуры конфигурационного файла, в котором описывается облачная сеть с одной подсетью:

   resource "yandex_vpc_network" "test_network" {
     name = "<имя_сети>"
   }
   
   resource "yandex_vpc_subnet" "test_subnet" {
     name           = "<имя_подсети>"
     zone           = "<зона_доступности>"
     network_id     = yandex_vpc_network.test_network.id
     v4_cidr_blocks = ["<подсеть>"]
   }
   

4. Создайте конфигурационный файл с описанием сервисного аккаунта, которому нужно разрешить доступ к кластеру Yandex Data Processing, а также статического ключа и бакета Object Storage для хранения заданий и результатов.

   resource "yandex_iam_service_account" "data_proc_sa" {
     name        = "<имя_сервисного_аккаунта>"
     description = "<описание_сервисного_аккаунта>"
   }
   
   resource "yandex_resourcemanager_folder_iam_member" "dataproc-agent" {
     folder_id = "<идентификатор_каталога>"
     role      = "dataproc.agent"
     member    = "serviceAccount:${yandex_iam_service_account.data_proc_sa.id}"
   }
   
   resource "yandex_resourcemanager_folder_iam_member" "dataproc-provisioner" {
     folder_id = "<идентификатор_каталога>"
     role      = "dataproc.provisioner"
     member    = "serviceAccount:${yandex_iam_service_account.data_proc_sa.id}"
   }
   
   resource "yandex_iam_service_account_static_access_key" "sa_static_key" {
     service_account_id = yandex_iam_service_account.data_proc_sa.id
   }
   
   resource "yandex_storage_bucket" "data_bucket" {
     depends_on = [
       yandex_resourcemanager_folder_iam_member.dataproc-provisioner
     ]
   
     bucket     = "<имя_бакета>"
     access_key = yandex_iam_service_account_static_access_key.sa_static_key.access_key
     secret_key = yandex_iam_service_account_static_access_key.sa_static_key.secret_key
   }
   

5. Создайте конфигурационный файл с описанием кластера Yandex Data Processing и его подкластеров.

   При необходимости здесь же можно задать свойства компонентов кластера Yandex Data Processing, заданий и среды окружения.

   Пример структуры конфигурационного файла, в котором описывается кластер Yandex Data Processing из одного подкластера с хостом-мастером, одного подкластера для хранения данных и одного подкластера для обработки данных:

   resource "yandex_dataproc_cluster" "data_cluster" {
     bucket              = "<имя_бакета>"
     name                = "<имя_кластера>"
     description         = "<описание_кластера>"
     service_account_id  = yandex_iam_service_account.data_proc_sa.id
     zone_id             = "<зона_доступности>"
     security_group_ids  = ["<список_идентификаторов_групп_безопасности>"]
     deletion_protection = <защита_от_удаления_кластера>
   
     cluster_config {
       version_id = "<версия_образа>"
   
       hadoop {
         services   = ["<список_компонентов>"]
         # Пример списка: ["HDFS", "YARN", "SPARK", "TEZ", "MAPREDUCE", "HIVE"].
         properties = {
           "<свойство_компонента>" = <значение>
           ...
         }
         ssh_public_keys = [
           file("${file("<путь_к_открытому_SSH-ключу>")}")
         ]
       }
   
       subcluster_spec {
         name = "<имя_подкластера_с_хостом-мастером>"
         role = "MASTERNODE"
         resources {
           resource_preset_id = "<класс_хоста>"
           disk_type_id       = "<тип_хранилища>"
           disk_size          = <объем_хранилища_ГБ>
         }
         subnet_id   = yandex_vpc_subnet.test_subnet.id
         hosts_count = 1
       }
   
       subcluster_spec {
         name = "<имя_подкластера_для_хранения_данных>"
         role = "DATANODE"
         resources {
           resource_preset_id = "<класс_хоста>"
           disk_type_id       = "<тип_хранилища>"
           disk_size          = <объем_хранилища_ГБ>
         }
         subnet_id   = yandex_vpc_subnet.test_subnet.id
         hosts_count = <число_хостов_в_подкластере>
       }
   
       subcluster_spec {
         name = "<имя_подкластера_для_обработки_данных>"
         role = "COMPUTENODE"
         resources {
           resource_preset_id = "<класс_хоста>"
           disk_type_id       = "<тип_хранилища>"
           disk_size          = <объем_хранилища_ГБ>
         }
         subnet_id   = yandex_vpc_subnet.test_subnet.id
         hosts_count = <число_хостов_в_подкластере>
       }
     }
   }
   

   Где deletion_protection — защита от удаления кластера Yandex Data Processing. Может принимать значения true или false.

   Включенная защита от удаления не помешает подключиться вручную и удалить содержимое базы данных.

   Используя образ версии 2.0.39 или выше, вы можете создать легковесный кластер без HDFS и подкластеров для хранения данных. При этом обязательно добавьте один или несколько подкластеров для обработки данных и укажите имя бакета.

   Совет

   Чтобы использовать самую свежую версию образа, укажите значение 2.0 в параметре version_id.

   Чтобы получить доступ к веб-интерфейсам компонентов Yandex Data Processing, добавьте в описание кластера Yandex Data Processing поле ui_proxy с значением true:

   resource "yandex_dataproc_cluster" "data_cluster" {
     ...
     ui_proxy = true
     ...
   }
   

   Чтобы задать параметры автоматического масштабирования в подкластерах Yandex Data Processing для обработки данных, добавьте в описание соответствующего подкластера subcluster_spec блок autoscaling_config с нужными вам настройками:

   subcluster_spec {
     name = "<имя_подкластера>"
     role = "COMPUTENODE"
     ...
     autoscaling_config {
       max_hosts_count        = <максимальное_количество_ВМ_в_группе>
       measurement_duration   = <промежуток_измерения_нагрузки>
       warmup_duration        = <время_на_разогрев>
       stabilization_duration = <период_стабилизации>
       preemptible            = <использование_прерываемых_ВМ>
       cpu_utilization_target = <целевой_уровень_загрузки_vCPU>
       decommission_timeout   = <таймаут_декомиссии>
     }
   }
   

   Где:

   • max_hosts_count — максимальное количество хостов (ВМ) в подкластере Yandex Data Processing. Минимальное значение — 1, максимальное — 100.
   • measurement_duration — период в секундах, за который замеры нагрузки усредняются для каждой ВМ, в формате <значение>s. Минимальное значение — 60s (1 минута), максимальное — 600s (10 минут).
   • warmup_duration — время в секундах на разогрев ВМ, в формате <значение>s. Минимальное значение — 0s, максимальное — 600s (10 минут).
   • stabilization_duration — период в секундах, в течение которого требуемое количество ВМ не может быть снижено, в формате <значение>s. Минимальное значение — 60s (1 минута), максимальное — 1800s (30 минут).
   • preemptible — использование прерываемых ВМ. Может принимать значения true или false.
   • cpu_utilization_target — целевой уровень загрузки CPU, в процентах. Используйте эту настройку, чтобы включить масштабирование на основе загрузки CPU, иначе в качестве метрики будет использоваться yarn.cluster.containersPending (на основе количества ожидающих задания ресурсов). Минимальное значение — 10, максимальное — 100.
   • decommission_timeout — таймаут декомиссии в секундах. Минимальное значение — 0, максимальное — 86400 (сутки).

   Более подробную информацию о ресурсах, которые вы можете создать с помощью Terraform, см. в документации провайдера.

6. Проверьте корректность файлов конфигурации Terraform:

   1. В командной строке перейдите в каталог, в котором расположены актуальные конфигурационные файлы Terraform с планом инфраструктуры.

   2. Выполните команду:

      terraform validate
      

      Если в файлах конфигурации есть ошибки, Terraform на них укажет.

7. Создайте кластер Yandex Data Processing:

   1. Выполните команду для просмотра планируемых изменений:

      terraform plan
      

      Если конфигурации ресурсов описаны верно, в терминале отобразится список изменяемых ресурсов и их параметров. Это проверочный этап: ресурсы не будут изменены.

   2. Если вас устраивают планируемые изменения, внесите их:

      1. Выполните команду:

         terraform apply
         

      2. Подтвердите изменение ресурсов.

      3. Дождитесь завершения операции.

   В указанном каталоге будут созданы все требуемые ресурсы. Проверить появление ресурсов и их настройки можно в консоли управления.

Чтобы создать кластер Yandex Data Processing, воспользуйтесь методом API create и передайте в запросе:

• Идентификатор каталога, в котором должен быть размещен кластера Yandex Data Processing, в параметре folderId.

• Имя кластера Yandex Data Processing в параметре name.

• Конфигурацию кластера Yandex Data Processing в параметре configSpec, в том числе:

  • Версию образа в параметре configSpec.versionId.

    Используя образ версии 2.0.39 или выше, вы можете создать легковесный кластер без HDFS и подкластеров для хранения данных. При этом обязательно добавьте один или несколько подкластеров для обработки данных и укажите имя бакета.

    Совет

    Чтобы использовать самую свежую версию образа, укажите значение 2.0.

  • Список компонентов в параметре configSpec.hadoop.services.

  • Публичную часть SSH-ключа в параметре configSpec.hadoop.sshPublicKeys.

  • Настройки подкластеров Yandex Data Processing в параметре configSpec.subclustersSpec.

• Зону доступности кластера Yandex Data Processing в параметре zoneId.

• Идентификатор сервисного аккаунта кластера Yandex Data Processing в параметре serviceAccountId. Сервисному аккаунту должны быть назначены роли:

  • dataproc.agent — чтобы сервисный аккаунт мог получать информацию о состоянии хостов кластера, заданиях и лог-группах.
  • dataproc.provisioner — чтобы сервисный аккаунт мог взаимодействовать с автоматически масштабируемой группой ВМ. Тогда будет доступно автомасштабирование подкластеров.

• Имя бакета в параметре bucket.

• Идентификаторы групп безопасности кластера Yandex Data Processing в параметре hostGroupIds.

• Настройки защиты от удаления кластера Yandex Data Processing в параметре deletionProtection.

  Включенная защита от удаления кластера не помешает подключиться к нему вручную и удалить данные.

Чтобы назначить публичный IP-адрес всем хостам подкластера Yandex Data Processing, передайте значение true в параметре configSpec.subclustersSpec.assignPublicIp.

Чтобы создать кластер Yandex Data Processing, размещенный на группах выделенных хостов, передайте список их идентификаторов в параметре hostGroupIds.

Чтобы настроить хосты кластера Yandex Data Processing с помощью скриптов инициализации, укажите их в одном или нескольких параметрах configSpec.hadoop.initializationActions.