Автоматизация работы с Yandex Data Processing с помощью Yandex Managed Service for Apache Airflow™

Подготовьте инфраструктуру:

1. Создайте сервисные аккаунты со следующими ролями:

   Сервисный аккаунт	Его роли
   airflow-agent для кластера Apache Airflow™.	dataproc.editor — чтобы управлять кластером Yandex Data Processing из DAG; vpc.user — чтобы в кластере Apache Airflow™ использовать подсеть Yandex Virtual Private Cloud; managed-airflow.integrationProvider — чтобы кластер Apache Airflow™ мог взаимодействовать с другими ресурсами; iam.serviceAccounts.user — чтобы указать сервисный аккаунт data-processing-agent при создании кластера Yandex Data Processing.
   metastore-agent для кластера Apache Hive™ Metastore.	managed-metastore.integrationProvider — чтобы кластер Apache Hive™ Metastore мог взаимодействовать с другими ресурсами.
   data-processing-agent для кластера Yandex Data Processing.	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.

2. Создайте бакеты:

   • <бакет_для_Managed_Airflow>;
   • <бакет_для_исходного_кода_PySpark_задания>;
   • <бакет_для_выходных_данных_PySpark_задания>;
   • <бакет_для_сбора_логов_Spark>.

   Бакетов нужно несколько, так как на них назначаются различные права доступа.

3. Предоставьте разрешения на следующие бакеты:

   • <бакет_для_Managed_Airflow> — разрешение READ для сервисного аккаунта airflow-agent;
   • <бакет_для_исходного_кода_PySpark_задания> — разрешение READ для сервисного аккаунта data-processing-agent;
   • <бакет_для_выходных_данных_PySpark_задания> — разрешение READ и WRITE для сервисных аккаунтов data-processing-agent и metastore-agent;
   • <бакет_для_сбора_логов_Spark> — разрешение READ и WRITE для сервисного аккаунта data-processing-agent.

4. Создайте облачную сеть с именем data-processing-network.

   Вместе с ней автоматически создадутся три подсети в разных зонах доступности.

5. Настройте NAT-шлюз для подсети data-processing-network-ru-central1-a.

6. Для кластера Apache Hive™ Metastore создайте группу безопасности metastore-sg в сети data-processing-network. Добавьте в группу следующие правила:

   • Для входящего трафика от клиентов:

     • диапазон портов — 30000-32767;
     • протокол — Любой (Any);
     • источник — CIDR;
     • CIDR блоки — 0.0.0.0/0.

   • Для входящего трафика от балансировщика:

     • диапазон портов — 10256;
     • протокол — Любой (Any);
     • источник — Проверки состояния балансировщика.

7. Для кластеров Managed Service for Apache Airflow™ и Yandex Data Processing создайте группу безопасности airflow-sg в сети data-processing-network. Добавьте в группу следующие правила:

   • Для входящего служебного трафика:

     • диапазон портов — 0-65535;
     • протокол — Любой (Any);
     • источник — Группа безопасности;
     • группа безопасности — Текущая (Self).

   • Для исходящего служебного трафика:

     • диапазон портов — 0-65535;
     • протокол — Любой (Any);
     • назначение — Группа безопасности;
     • группа безопасности — Текущая (Self).

   • Для исходящего HTTPS-трафика:

     • диапазон портов — 443;
     • протокол — TCP;
     • назначение — CIDR;
     • CIDR блоки — 0.0.0.0/0.

   • Для исходящего трафика, чтобы разрешить подключение кластера Yandex Data Processing к Apache Hive™ Metastore:

     • диапазон портов — 9083;
     • протокол — Любой (Any);
     • назначение — Группа безопасности;
     • группа безопасности — metastore-sg (Из списка).

8. Создайте кластер Apache Hive™ Metastore с параметрами:

   • Сервисный аккаунт — metastore-agent.
   • Сеть — data-processing-network.
   • Подсеть — data-processing-network-ru-central1-a.
   • Группа безопасности — metastore-sg.

9. Создайте кластер Managed Service for Apache Airflow™ с параметрами:

   • Сервисный аккаунт — airflow-agent.
   • Зона доступности — ru-central1-a.
   • Сеть — data-processing-network.
   • Подсеть — data-processing-network-ru-central1-a.
   • Группа безопасности — airflow-sg.
   • Имя бакета — <бакет_для_Managed_Airflow>.

1. Создайте локально файл с именем create-table.py и скопируйте в него скрипт:

   create-table.py

   from pyspark.sql.types import *
   from pyspark.sql import SparkSession
   
   # Создание Spark-сессии
   spark = SparkSession.builder \
       .appName("create-table") \
       .enableHiveSupport() \
       .getOrCreate()
   
   # Создание схемы данных
   schema = StructType([StructField('Name', StringType(), True),
   StructField('Capital', StringType(), True),
   StructField('Area', IntegerType(), True),
   StructField('Population', IntegerType(), True)])
   
   # Создание датафрейма
   df = spark.createDataFrame([('Австралия', 'Канберра', 7686850, 19731984), ('Австрия', 'Вена', 83855, 7700000)], schema)
   
   # Запись датафрейма в бакет в виде таблицы countries
   df.write.mode("overwrite").option("path","s3a://<бакет_для_выходных_данных_PySpark_задания>/countries").saveAsTable("countries")
   

2. Создайте в бакете <бакет_для_исходного_кода_PySpark_задания> папку scripts и загрузите в нее файл create-table.py.

1. Создайте SSH-ключ. Сохраните открытую часть ключа — она понадобится для создания кластера Yandex Data Processing.

2. Создайте локально файл с именем Data-Processing-DAG.py, скопируйте в него скрипт и подставьте данные вашей инфраструктуры в переменные:

   Data-Processing-DAG.py

   import uuid
   import datetime
   from airflow import DAG
   from airflow.utils.trigger_rule import TriggerRule
   from airflow.providers.yandex.operators.yandexcloud_dataproc import (
       DataprocCreateClusterOperator,
       DataprocCreatePysparkJobOperator,
       DataprocDeleteClusterOperator,
   )
   
   # Данные вашей инфраструктуры
   YC_DP_AZ = 'ru-central1-a'
   YC_DP_SSH_PUBLIC_KEY = '<открытая_часть_SSH-ключа>'
   YC_DP_SUBNET_ID = '<идентификатор_подсети>'
   YC_DP_SA_ID = '<идентификатор_сервисного_аккаунта_data-processing-agent>'
   YC_DP_METASTORE_URI = '<IP-адрес>'
   YC_SOURCE_BUCKET = '<бакет_для_исходного_кода_PySpark_задания>'
   YC_DP_LOGS_BUCKET = '<бакет_для_сбора_логов_Spark>'
   
   # Настройки DAG
   with DAG(
           'DATA_INGEST',
           schedule='@hourly',
           tags=['data-processing-and-airflow'],
           start_date=datetime.datetime.now(),
           max_active_runs=1,
           catchup=False
   ) as ingest_dag:
       # 1 этап: создание кластера Yandex Data Proc
       create_spark_cluster = DataprocCreateClusterOperator(
           task_id='dp-cluster-create-task',
           cluster_name=f'tmp-dp-{uuid.uuid4()}',
           cluster_description='Временный кластер для выполнения PySpark-задания под оркестрацией Managed Service for Apache Airflow™',
           ssh_public_keys=YC_DP_SSH_PUBLIC_KEY,
           service_account_id=YC_DP_SA_ID,
           subnet_id=YC_DP_SUBNET_ID,
           s3_bucket=YC_DP_LOGS_BUCKET,
           zone=YC_DP_AZ,
           cluster_image_version='2.1',
           masternode_resource_preset='s2.small',
           masternode_disk_type='network-ssd',
           masternode_disk_size=200,
           computenode_resource_preset='m2.large',
           computenode_disk_type='network-ssd',
           computenode_disk_size=200,
           computenode_count=2,
           computenode_max_hosts_count=5,  # Количество подкластеров для обработки данных будет автоматически масштабироваться в случае большой нагрузки.
           services=['YARN', 'SPARK'],     # Создается легковесный кластер.
           datanode_count=0,               # Без подкластеров для хранения данных.
           properties={                    # С указанием на удаленный кластер Apache Hive™ Metastore.
               'spark:spark.hive.metastore.uris': f'thrift://{YC_DP_METASTORE_URI}:9083',
           },
       )
   
       # 2 этап: запуск задания PySpark
       poke_spark_processing = DataprocCreatePysparkJobOperator(
           task_id='dp-cluster-pyspark-task',
           main_python_file_uri=f's3a://{YC_SOURCE_BUCKET}/scripts/create-table.py',
       )
   
       # 3 этап: удаление кластера Yandex Data Processing
       delete_spark_cluster = DataprocDeleteClusterOperator(
           task_id='dp-cluster-delete-task',
           trigger_rule=TriggerRule.ALL_DONE,
       )
   
       # Формирование DAG из указанных выше этапов
       create_spark_cluster >> poke_spark_processing >> delete_spark_cluster
   

   Где:

   • YC_DP_AZ — зона доступности для кластера Yandex Data Processing;
   • YC_DP_SSH_PUBLIC_KEY — открытая часть SSH-ключа для кластера Yandex Data Processing;
   • YC_DP_SUBNET_ID — идентификатор подсети;
   • YC_DP_SA_ID — идентификатор сервисного аккаунта для Yandex Data Processing;
   • YC_DP_METASTORE_URI — IP-адрес кластера Apache Hive™ Metastore;
   • YC_SOURCE_BUCKET — бакет с Python-скриптом для задания PySpark;
   • YC_DP_LOGS_BUCKET — бакет для логов.

3. Загрузите DAG в кластер Managed Service for Apache Airflow™: создайте в бакете <бакет_для_Managed_Airflow> папку dags и загрузите в нее файл Data-Processing-DAG.py.

4. Откройте веб-интерфейс Apache Airflow™.

5. Убедитесь, что в разделе DAGs появился новый DAG DATA_INGEST с тегом data-processing-and-airflow.

   Загрузка DAG-файла из бакета может занять несколько минут.

6. Чтобы запустить DAG, в строке с его именем нажмите кнопку .

1. Чтобы отслеживать результаты выполнения задач, нажмите на название DAG. Результаты отображаются во вкладке Grid.
2. Дождитесь, когда все три задачи в DAG перейдут в статус Success. Параллельно вы можете проверить, что в консоли управления создается кластер Yandex Data Processing, выполняется задание PySpark и удаляется тот же кластер.
3. Убедитесь, что в бакете <бакет_для_выходных_данных_PySpark_задания> появилась папка countries, а в ней — файл part-00000-.... Теперь данные из созданной таблицы хранятся в бакете Object Storage, а метаинформация о ней — в кластере Apache Hive™ Metastore.
4. Проверьте, что в бакете <бакет_для_сбора_логов_Spark> появились логи выполнения PySpark-задания.

1. Сервисные аккаунты.
2. Бакеты Object Storage.
3. Кластер Apache Hive™ Metastore.
4. Кластер Managed Service for Apache Airflow™.
5. Таблицу маршрутизации.
6. NAT-шлюз.
7. Группы безопасности.
8. Облачные подсети, созданные по умолчанию в сети data-processing-network.
9. Облачную сеть.