Il campionamento dei dati consente di osservare i dati in ogni fase di una pipeline Dataflow. Queste informazioni possono aiutarti a eseguire il debug dei problemi con la pipeline, mostrando gli input e gli output effettivi in un job in esecuzione o completato.
Gli utilizzi per il campionamento dei dati includono:
Durante lo sviluppo, osserva quali elementi vengono prodotti nella pipeline.
Se una pipeline genera un'eccezione, visualizza gli elementi correlati a tale eccezione.
Durante il debug, visualizza gli output delle trasformazioni per assicurarti che siano corretti.
Comprendi il comportamento di una pipeline senza dover esaminare il codice della pipeline.
Visualizza gli elementi campionati in un secondo momento, al termine del job, oppure confronta i dati campionati con un'esecuzione precedente.
Panoramica
Dataflow può campionare i dati della pipeline nei seguenti modi:
Campionamento periodico. Con questo tipo di campionamento, Dataflow raccoglie campioni durante l'esecuzione del job. Puoi utilizzare i dati campionati per verificare se la pipeline elabora gli elementi come previsto e per diagnosticare problemi di runtime come chiavi di scelta rapida o output errati. Per ulteriori informazioni, consulta la sezione Utilizzare il campionamento periodico dei dati in questo documento.
Campionamento delle eccezioni. Con questo tipo di campionamento, Dataflow raccoglie campioni se una pipeline genera un'eccezione. Puoi utilizzare gli esempi per visualizzare i dati elaborati al momento dell'eccezione. Il campionamento delle eccezioni è abilitato per impostazione predefinita e può essere disattivato. Per ulteriori informazioni, consulta la sezione Utilizzare il campionamento delle eccezioni in questo documento.
Dataflow scrive gli elementi campionati nel percorso di Cloud Storage specificato dall'opzione della pipeline temp_location
. Puoi visualizzare i dati campionati nella console Google Cloud o esaminare i file di dati non elaborati in Cloud Storage. I file vengono mantenuti in Cloud Storage finché non li elimini.
Il campionamento dei dati viene eseguito dai worker Dataflow. Il campionamento richiede il best effort. I campioni potrebbero essere eliminati se si verificano errori temporanei.
Requisiti
Per utilizzare il campionamento dei dati, devi abilitare Runner v2. Per ulteriori informazioni, consulta Abilitare Dataflow Runner v2.
Per visualizzare i dati campionati nella console Google Cloud, devi disporre delle seguenti autorizzazioni Identity and Access Management:
storage.buckets.get
storage.objects.get
storage.objects.list
Il campionamento periodico richiede il seguente SDK Apache Beam:
- SDK Apache Beam Java 2.47.0 o successivo
- SDK Apache Beam per Python 2.46.0 o successivo
- Apache Beam Go SDK 2.53.0 o versioni successive
Il campionamento delle eccezioni richiede il seguente SDK Apache Beam:
- SDK Apache Beam Java 2.51.0 o successivo
- SDK Apache Beam per Python 2.51.0 o successivo
- L'SDK Apache Beam Go non supporta il campionamento delle eccezioni.
A partire da questi SDK, Dataflow abilita il campionamento delle eccezioni per tutti i job per impostazione predefinita.
Utilizzare il campionamento periodico dei dati
Questa sezione descrive come campionare i dati della pipeline in modo continuo durante l'esecuzione di un job.
Abilita il campionamento periodico dei dati
Il campionamento periodico è disattivato per impostazione predefinita. Per abilitarlo, imposta la seguente opzione della pipeline:
Java
--experiments=enable_data_sampling
Python
--experiments=enable_data_sampling
Go
--experiments=enable_data_sampling
Puoi impostare l'opzione in modo programmatico o utilizzando la riga di comando. Per maggiori informazioni, consulta Impostare le opzioni sperimentali della pipeline.
Quando esegui un modello Dataflow, utilizza il flag additional-experiments
per abilitare il campionamento dei dati:
--additional-experiments=enable_data_sampling
Se il campionamento periodico è abilitato, Dataflow raccoglie campioni da ogni PCollection
nel grafico del job. La frequenza di campionamento è di circa
un campione ogni 30 secondi.
A seconda del volume di dati, il campionamento periodico dei dati può incrementare in modo significativo le prestazioni. Pertanto, consigliamo di abilitare il campionamento periodico solo durante i test e di disabilitarlo per i carichi di lavoro di produzione.
Visualizza dati campionati
Per visualizzare i dati campionati nella console Google Cloud, segui questi passaggi:
Nella console Google Cloud, vai alla pagina Job di Dataflow.
Seleziona un job.
Fai clic su keyboard_capslock nel riquadro inferiore per espandere il riquadro dei log.
Fai clic sulla scheda Campionamento dei dati.
Nel campo Passaggio, seleziona un passaggio della pipeline. Puoi anche selezionare un passaggio nel grafico del job.
Nel campo Raccolta, scegli un
PCollection
.
Se Dataflow ha raccolto campioni per PCollection
, i dati campionati vengono visualizzati nella scheda. Per ogni esempio, la scheda mostra la
data di creazione e l'elemento di output. L'elemento di output è una rappresentazione serializzata
dell'elemento raccolta, che include i dati dell'elemento, il timestamp e le informazioni
su finestre e riquadri.
I seguenti esempi mostrano elementi campionati.
Java
TimestampedValueInGlobalWindow{value=KV{way, [21]},
timestamp=294247-01-09T04:00:54.775Z, pane=PaneInfo{isFirst=true, isLast=true,
timing=ON_TIME, index=0, onTimeIndex=0}}
Python
(('THE', 1), MIN_TIMESTAMP, (GloblWindow,), PaneInfo(first: True, last: True,
timing: UNKNOWN, index: 0, nonspeculative_index: 0))
Go
KV<THE,1> [@1708122738999:[[*]]:{3 true true 0 0}]
L'immagine seguente mostra come vengono visualizzati i dati campionati nella console Google Cloud.
Utilizzare il campionamento delle eccezioni
Se la pipeline genera un'eccezione non gestita, puoi visualizzare sia l'eccezione sia l'elemento di input correlato all'eccezione. Il campionamento delle eccezioni è abilitato per impostazione predefinita quando utilizzi un SDK Apache Beam supportato.
Visualizza eccezioni
Per visualizzare un'eccezione:
Nella console Google Cloud, vai alla pagina Job di Dataflow.
Seleziona un job.
Per espandere il riquadro Log, fai clic su keyboard_capslock Attiva/disattiva riquadro nel riquadro Log.
Fai clic sulla scheda Campionamento dei dati.
Nel campo Passaggio, seleziona un passaggio della pipeline. Puoi anche selezionare un passaggio nel grafico del job.
Nel campo Raccolta, scegli un
PCollection
.La colonna Eccezione contiene i dettagli dell'eccezione. Non ci sono elementi di output per un'eccezione. La colonna Elemento di output contiene invece il messaggio
Failed to process input element: INPUT_ELEMENT
, dove INPUT_ELEMENT è l'elemento di input correlato.Per visualizzare l'esempio di input e i dettagli dell'eccezione in una nuova finestra, fai clic su
Apri in una nuova finestra.
L'immagine seguente mostra come viene visualizzata un'eccezione nella console Google Cloud.
Disattiva campionamento delle eccezioni
Per disabilitare il campionamento delle eccezioni, imposta la seguente opzione di pipeline:
Java
--experiments=disable_always_on_exception_sampling
Python
--experiments=disable_always_on_exception_sampling
Puoi impostare l'opzione in modo programmatico o utilizzando la riga di comando. Per maggiori informazioni, consulta Impostare le opzioni sperimentali della pipeline.
Quando esegui un modello Dataflow, utilizza il flag additional-experiments
per disabilitare il campionamento delle eccezioni:
--additional-experiments=disable_always_on_exception_sampling
Considerazioni sulla sicurezza
Dataflow scrive i dati campionati in un bucket Cloud Storage che crei e gestisci da te. Utilizza le funzionalità di sicurezza di Cloud Storage per salvaguardare la sicurezza dei tuoi dati. In particolare, valuta le seguenti misure di sicurezza aggiuntive:
- Utilizza una chiave di crittografia gestita dal cliente (CMEK) per criptare il bucket Cloud Storage. Per ulteriori informazioni sulla scelta di un'opzione di crittografia, consulta Scegliere la crittografia adatta alle proprie esigenze.
- Imposta una durata (TTL) nel bucket Cloud Storage, in modo che i file di dati vengano eliminati automaticamente dopo un determinato periodo di tempo. Per maggiori informazioni, consulta Impostare la configurazione del ciclo di vita per un bucket.
- Utilizza il principio del privilegio minimo quando assegni le autorizzazioni IAM al bucket Cloud Storage.
Puoi anche offuscare i singoli campi nel tuo tipo di dati PCollection
, in modo
che il valore non elaborato non venga visualizzato nei dati campionati:
- Python: esegui l'override del metodo
__repr__
o__str__
. - Java: esegui l'override del metodo
toString
.
Tuttavia, non puoi offuscare gli input e gli output dei connettori I/O, a meno che non modifichi il codice sorgente del connettore.
Fatturazione
Quando Dataflow esegue il campionamento dei dati, ti vengono addebitati i costi per l'archiviazione dei dati di Cloud Storage e per le operazioni di lettura e scrittura su Cloud Storage. Per ulteriori informazioni, consulta i prezzi di Cloud Storage.
Ogni worker Dataflow scrive campioni in batch, comportando un'operazione di lettura e un'operazione di scrittura per batch.
Risoluzione dei problemi
Questa sezione contiene informazioni sui problemi comuni riscontrati durante l'utilizzo del campionamento dei dati.
Errore di autorizzazioni
Se non hai l'autorizzazione per visualizzare gli esempi, la console Google Cloud mostra il seguente errore:
You don't have permission to view a data sample.
Per risolvere questo errore, verifica di disporre delle autorizzazioni IAM richieste. Se l'errore persiste, potresti incorrere in un criterio di negazione IAM.
Non vedo campioni
Se non vedi esempi, controlla quanto segue:
- Assicurati che il campionamento dei dati sia abilitato impostando l'opzione
enable_data_sampling
. Consulta Abilitare il campionamento dei dati. - Assicurati di utilizzare Runner v2
- Assicurati che i worker siano stati avviati. Il campionamento non inizia finché non vengono avviati i worker.
- Assicurati che il job e i worker siano in stato integro.
- Verifica le quote di Cloud Storage del progetto. Se superi i limiti di quota di Cloud Storage, Dataflow non può scrivere i dati di esempio.
- Il campionamento dei dati non può essere campionato da iterabili. Non sono disponibili campioni di questi tipi di flussi.