Utilizza Dataflow Prime

Dataflow Prime è una piattaforma di elaborazione dei dati serverless per le pipeline Apache Beam. Basato su Dataflow, Dataflow Prime usa un'architettura di computing e separato dallo stato. Nei seguenti casi, Dataflow Prime potrebbe migliorare l'efficienza della pipeline:

Dataflow Prime supporta pipeline sia in batch che in flussi. Per impostazione predefinita, Dataflow Prime utilizza Dataflow Shuffle e Dataflow Runner V2 per le pipeline batch.

Supporto della versione dell'SDK

Dataflow Prime supporta i seguenti SDK Apache Beam:

  • SDK Apache Beam per Python versione 2.21.0 o successive

  • SDK Apache Beam Java versione 2.30.0 o successive

  • Apache Beam Go SDK versione 2.44.0 o successiva

Per scaricare il pacchetto SDK o per leggere le note di rilascio, consulta la pagina Download di Apache Beam.

Funzionalità di Dataflow Prime

Di seguito è riportato l'elenco di funzionalità di Dataflow Prime supportate per diversi tipi di pipeline:

  • Scalabilità automatica verticale (memoria). Supporta pipeline di flusso in Python, Java e Go.
  • Adattamento ottimale (suggerimenti delle risorse). Supporta pipeline batch in Python e Java.
  • Job Visualizer. Supporta pipeline batch in Python e Java.
  • Consigli intelligenti. Supporta pipeline di flusso e batch in Python e Java.
  • Pipeline di dati. Supporta pipeline di flusso e batch in Python e Java.

Le funzionalità Job Visualizer, Suggerimenti intelligenti e pipeline di dati sono supportate anche per i job non Dataflow Prime.

Scalabilità automatica verticale

Questa funzionalità regola automaticamente la memoria disponibile per le VM worker di Dataflow in base alle esigenze della pipeline ed evita errori di esaurimento della memoria. In Dataflow Prime, la scalabilità automatica verticale funziona insieme a quella orizzontale.

Per maggiori informazioni, consulta Scalabilità automatica verticale.

Adattabilità

Questa funzionalità utilizza i suggerimenti delle risorse, una funzionalità di Apache Beam. Utilizzando gli hint delle risorse, puoi specificare i requisiti delle risorse per l'intera pipeline o per passaggi specifici della pipeline. Consente di creare worker personalizzati per diversi passaggi di una pipeline. L'opzione adatta consente di specificare le risorse della pipeline per massimizzare l'efficienza, ridurre i costi operativi ed evitare errori di memoria e altri errori delle risorse. Supporta gli suggerimenti delle risorse di memoria e GPU.

Per il corretto funzionamento è necessario Apache Beam 2.30.0 o versioni successive.

Per ulteriori informazioni, consulta la sezione Adattabilità corretta.

Visualizzatore job

Questa funzionalità consente di vedere le prestazioni di un job Dataflow e ottimizzare le prestazioni del job individuando codice inefficiente, inclusi colli di bottiglia di parallelizzazione. Nella console Google Cloud, puoi fare clic su qualsiasi job Dataflow nella pagina Job per visualizzare i dettagli del job. Puoi anche visualizzare l'elenco dei passaggi associati a ogni fase della pipeline.

Per ulteriori informazioni, consulta Dettagli esecuzione.

Consigli intelligenti

Questa funzionalità consente di ottimizzare la pipeline e risolvere i problemi in base ai suggerimenti forniti nella scheda Diagnostica della pagina dei dettagli del job. Nella console Google Cloud, puoi fare clic su qualsiasi job Dataflow nella pagina Job per visualizzare i dettagli del job.

Per ulteriori informazioni, consulta la pagina Suggerimenti e diagnostica.

Pipeline di dati

Questa funzionalità consente di pianificare job, osservare l'utilizzo delle risorse, monitorare gli obiettivi di aggiornamento dei dati per i flussi di dati e ottimizzare le pipeline.

Per saperne di più, consulta Utilizzo delle pipeline di dati.

Requisiti di quota e limite

Le quote e i limiti sono gli stessi per Dataflow e Dataflow Prime. Per saperne di più, consulta Quote e limiti.

Se scegli Pipeline di dati, sono previste ulteriori implicazioni per quote e regioni.

Funzionalità non supportate

Dataflow Prime non supporta quanto segue:

  • Specificare tipi di VM specifici utilizzando il flag --worker_machine_type o --machine_type per le pipeline Python e --workerMachineType per le pipeline Java.

  • Visualizzazione o utilizzo di SSH per accedere alle VM worker.

  • Le classi MapState e OrderedListState per le pipeline Java.

  • Programmazione flessibile delle risorse (FlexRS).

  • Utilizzo di Controlli di servizio VPC con scalabilità automatica verticale. Se abiliti Dataflow Prime e avvii un nuovo job all'interno di un perimetro Controlli di servizio VPC, il job utilizza Dataflow Prime senza scalabilità automatica verticale.

  • NVIDIA Multi-Process Service (MPS).

Tutte le opzioni della pipeline non menzionate esplicitamente in precedenza o nella tabella di confronto delle funzionalità funzionano allo stesso modo per Dataflow e Dataflow Prime.

Prima di utilizzare Dataflow Prime

Per utilizzare Dataflow Prime, puoi riutilizzare il codice della pipeline esistente e anche abilitare l'opzione Dataflow Prime tramite Cloud Shell o in modo programmatico.

Dataflow Prime è compatibile con le versioni precedenti dei job batch che usano Dataflow Shuffle e dei job di flussi di dati che utilizzano Streaming Engine. Tuttavia, ti consigliamo di testare le pipeline con Dataflow Prime di utilizzarle in un ambiente di produzione.

Se la pipeline in modalità flusso è in esecuzione in produzione, per utilizzare Dataflow Prime, esegui questi passaggi:

  1. Arresta la pipeline.

  2. Attiva Dataflow Prime.

  3. Esegui di nuovo la pipeline.

Abilita Dataflow Prime

Per abilitare Dataflow Prime per una pipeline:

  1. Abilita l'API Cloud Scalabilità automatica.

    Abilitare l'API

    Dataflow Prime utilizza l'API Cloud Scalabilità automatica per regolare in modo dinamico la memoria.

  2. Abilita Prime nelle opzioni della pipeline.

    Puoi impostare le opzioni della pipeline in modo programmatico o utilizzando la riga di comando. Per le versioni dell'SDK Apache Beam supportate, abilita il seguente flag:

Java

--dataflowServiceOptions=enable_prime

Python

SDK Apache Beam per Python versione 2.29.0 o successiva:

--dataflow_service_options=enable_prime

Apache Beam Python SDK versione 2.21.0 to 2.28.0:

--experiments=enable_prime

Go

--dataflow_service_options=enable_prime

Usa Dataflow Prime con i modelli

Se utilizzi i modelli Dataflow, puoi scegliere di abilitare Dataflow Prime in uno dei seguenti modi:

  1. Per i job avviati dalla pagina Crea job da modello:

    1. Vai alla pagina Crea job da modello.

      Vai a Crea job da modello

    2. Nel campo Esperimento aggiuntivo, inserisci enable_prime.

  2. Per i job avviati da un modello tramite l'interfaccia a riga di comando, passa il flag --additional-experiments=enable_prime.

  3. Per abilitare Dataflow Prime quando crei un modello, imposta il flag --experiments=enable_prime.

Usa Dataflow Prime nei blocchi note Apache Beam

Se utilizzi un blocco note Apache Beam, puoi abilitare Dataflow Prime in modo programmatico utilizzando PipelineOptions:

options = pipeline_options.PipelineOptions(
    flags=[],
    dataflow_service_options=['enable_prime'],
)

Per saperne di più sull'impostazione delle opzioni Dataflow in un blocco note, consulta Avviare job Dataflow da una pipeline creata nel blocco note.

Confronto delle funzionalità tra Dataflow e Dataflow Prime

La tabella seguente mette a confronto le funzionalità disponibili per entrambe le varianti di Dataflow.

Selezione delle Dataflow Prime Dataflow
Corsa V2 Caratteristica predefinita senza opzione per disattivare per i job batch e facoltativa per i job in modalità flusso Caratteristica predefinita con un'opzione per disattivare per i job batch e facoltativa per i job in modalità flusso
Dataflow Shuffle per job batch Funzionalità predefinita con un'opzione per la disattivazione Funzionalità predefinita con un'opzione per la disattivazione
Streaming Engine per i job di flussi di dati Funzionalità facoltativa per le pipeline Java e sempre attiva per le pipeline Python Funzionalità facoltativa per le pipeline Java e sempre attiva per le pipeline Python dalla versione 2.45.0
Scalabilità automatica orizzontale Funzionalità predefinita con opzione di disattivazione Funzionalità predefinita con opzione di disattivazione
Scalabilità automatica verticale Funzionalità predefinita con opzione di disattivazione Non applicabile
Aderenza perfetta Funzionalità facoltativa Funzionalità facoltativa
Fatturazione Fatturazione serverless Fatturazione standard

Passaggi successivi