借助 Dataproc Serverless，您可以运行 Spark 工作负载，而无需预配和管理自己的 Dataproc 集群。您可以通过以下两种方式运行 Dataproc Serverless 工作负载：
适用于 Spark Batch 的 Dataproc Serverless
使用 Google Cloud 控制台、Google Cloud CLI 或 Dataproc API 将批量工作负载提交到 Dataproc Serverless 服务。该服务将在托管式计算基础架构上运行工作负载，并根据需要自动扩缩资源。Dataproc 无服务器费用仅适用于执行工作负载的时间。
如需开始使用，请参阅运行 Apache Spark 批处理工作负载。
适用于 Spark Interactive 的 Dataproc Serverless
在 Dataproc Serverless for Spark Interactive 会话期间，在 Jupyter 笔记本中编写和运行代码。您可以通过以下方式创建笔记本会话：
使用 Dataproc JupyterLab 插件，根据您创建和管理的模板创建多个笔记本会话。在本地机器或 Compute Engine 虚拟机上安装插件时，JupyterLab 启动器页面上会显示与不同 Spark 内核配置对应的不同卡片。点击卡片即可创建 Dataproc Serverless 笔记本会话，然后开始在笔记本中编写和测试您的代码。
借助 Dataproc JupyterLab 插件，您还可以使用 JupyterLab 启动器页面执行以下操作：
- 创建 Dataproc on Compute Engine 集群。
- 将作业提交到 Dataproc on Compute Engine 集群。
- 查看 Google Cloud 和 Spark 日志。
如需开始使用，请参阅使用 JupyterLab 进行无服务器批量和交互式笔记本会话。
Dataproc Serverless for Spark 与 Dataproc on Compute Engine
如果要预配和管理基础架构，然后在 Spark 和其他开源处理框架上执行工作负载，Compute Engine 上的 Dataproc 是您的理想选择。下表列出了 Dataproc on Compute Engine 与 Dataproc Serverless for Spark 之间的主要区别。
| 能力 | Dataproc Serverless for Spark | Dataproc on Compute Engine |
|---|---|---|
| 处理框架 | 批处理：Spark 3.4 及更低版本 互动：适用于 Spark 3.4 及更低版本的 PySpark 内核 |
Spark 3.3 及更低版本。其他开源框架，如 Hive、Flink、Trino 和 Kafka |
| 无服务器 | 是 | 否 |
| 启动时间 | 60 秒 | 90 秒 |
| 基础架构控制 | 否 | 是 |
| 资源管理 | 基于 Spark | 基于 YARN |
| GPU 支持 | 是 | 是 |
| 交互式会话 | 是 | 否 |
| 自定义容器 | 是 | 否 |
| 虚拟机访问权限（例如 SSH） | 否 | 是 |
| Java 版本 | Java 17、11 | 支持过往版本 |
OS Login 支持 * |
否 | 是 |
备注：
- 操作系统登录政策不适用于 Dataproc Serverless，也不受其支持。如果您的组织强制执行
OS Login政策，则其 Dataproc Serverless 工作负载将会失败。
Dataproc 无服务器安全合规性
Dataproc 无服务器遵循所有数据驻留、CMEK、VPC-SC 以及 Dataproc 符合的其他安全要求。
Dataproc Serverless for Spark 批量工作负载功能
您可以运行以下 Dataproc Serverless for Spark 批处理工作负载类型：
- Pyspark
- Spark SQL
- Spark R
- Spark（Java 或 Scala）
提交 Dataproc Serverless for Spark 批量工作负载时，您可以指定 Spark 属性。