我目前有一个 PySpark 作业部署在 DataProc 集群上（1 个主节点和 4 个工作节点，具有足够的核心和内存）。该作业在数百万条记录上运行并执行昂贵的计算（多边形中的点）。我能够自己成功地运行这项工作。但是，我想将作业安排在每月 7 日运行。
我正在寻找的是在 DataProc 集群上设置 cron 作业的最有效方法。我试图阅读 Cloud Scheduler，但它并没有准确解释它如何与 DataProc 集群结合使用。在 DataProc 上查看 cron 作业的示例或在 DataProc 上专门与 Scheduler 一起工作的一些文档将非常有帮助。
提前致谢！
【问题讨论】：
标签： google-cloud-platform cron google-cloud-dataproc google-cloud-scheduler
对于计划的 Dataproc 交互（创建集群、提交作业、等待作业、删除集群同时处理错误），Dataproc 的工作流模板 API 是比尝试自己编排这些交互更好的选择。一个关键优势是工作流是即发即弃的，创建的任何集群也将在完成时被删除。
如果您的工作流模板相对简单，以至于它的参数在调用之间不会改变，那么更简单的调度方法是使用Cloud Scheduler。如果您需要运行工作流以响应 GCS 中的文件或 PubSub 中的事件，Cloud Functions 是一个不错的选择。最后，Cloud Composer 非常适合您的工作流程参数是动态的或混合使用其他 GCP 产品。
假设您的用例是使用相同参数的简单运行工作流，我将使用Cloud Scheduler 进行演示：
我在我的项目中创建了一个名为 terasort-example 的工作流。
然后我在我的项目中创建了一个新的服务帐户，名为workflow-starter@example.iam.gserviceaccount.com，并赋予它Dataproc Editor 角色；但是，仅使用 dataproc.workflows.instantiate 进行更多限制也足够了。
启用Cloud Scheduler API 后，我前往开发者控制台中的 Cloud Scheduler。我创建了一个工作如下：
目标：HTTP
HTTP 方法：POST
正文：{}
身份验证标头：OAuth 令牌
服务帐号：workflow-starter@example.iam.gserviceaccount.com
范围：（留空）
您可以点击Run Now进行测试。
请注意，您还可以将正文中的整个工作流内容复制为 JSON 有效负载。 URL 的最后一部分将变为workflowTemplates:instantiateInline?alt=json
查看此official doc 讨论其他调度选项。
【讨论】：
请查看其他答案以获得更全面的解决方案
您需要做的是从 Cloud Scheduler 将事件发布到 pubsub 主题，然后让 Cloud Function 对该事件做出反应。
以下是使用 Cloud Function 触发 Dataproc 的完整示例： How can I run create Dataproc cluster, run job, delete cluster from Cloud Function
【讨论】：