Aggiorna una pipeline esistente

Questo documento descrive come aggiornare un job di flussi di dati in corso. Potresti voler aggiornare le tue attuali Job Dataflow per i seguenti motivi:

  • Vuoi migliorare o comunque migliorare il codice della pipeline.
  • Vuoi correggere i bug nel codice della pipeline.
  • Vuoi aggiornare la pipeline per gestire le modifiche nel formato dei dati o per le modifiche alla versione o ad altre modifiche nell'origine dati.
  • Vuoi applicare la patch a una vulnerabilità di sicurezza relativa a Container-Optimized OS per tutti i worker Dataflow.
  • Vuoi scalare una pipeline Apache Beam in modalità flusso usano un numero diverso di worker.

Puoi aggiornare i lavori in due modi:

  • Aggiornamento job in corso: per i job di flussi che utilizzano Streaming Engine, puoi aggiornare Opzioni del job min-num-workers e max-num-workers senza interrompere il job o la modifica dell'ID job.
  • Job sostitutivo: per eseguire il codice aggiornato della pipeline o per aggiorna le opzioni delle offerte di lavoro non supportate dagli aggiornamenti delle offerte in corso, avvia un nuovo lavoro che sostituisce il job esistente. Per verificare se un job di sostituzione è valido, prima di avviare il nuovo job, convalida il relativo grafico del job.

Quando aggiorni il job, il servizio Dataflow esegue una controllo di compatibilità tra il job attualmente in esecuzione e un potenziale lavoro di sostituzione. Il controllo di compatibilità assicura che, ad esempio, informazioni sullo stato intermedio e i dati memorizzati nel buffer possono essere quello precedente a quello di sostituzione.

Puoi anche utilizzare l'infrastruttura di logging integrata dell'SDK Apache Beam per registrare le informazioni quando aggiorni il job. Per ulteriori informazioni, vedi Utilizza i log della pipeline. Per identificare i problemi con il codice della pipeline, utilizza la classe Livello di logging DEBUG.

Aggiornamento dell'opzione del job in corso

Per un job di flussi di dati che utilizza Streaming Engine, puoi aggiornare le seguenti opzioni del job senza interrompere il job o modificarne l'ID:

  • min-num-workers: il numero minimo di istanze di Compute Engine.
  • max-num-workers: il numero massimo di istanze Compute Engine.
  • worker-utilization-hint: il utilizzo CPU target, nell'intervallo [0,1, 0,9]

Per gli altri aggiornamenti del job, devi sostituire il job corrente con il job aggiornato. Per ulteriori informazioni, vedi Avvia un job di sostituzione.

Esegui un aggiornamento in corso

Per eseguire l'aggiornamento delle opzioni di job in corso di pubblicazione, svolgi i passaggi che seguono.

gcloud

Usa il comando gcloud dataflow jobs update-options:

gcloud dataflow jobs update-options \
  --region=REGION \
  --min-num-workers=MINIMUM_WORKERS \
  --max-num-workers=MAXIMUM_WORKERS \
  --worker-utilization-hint=TARGET_UTILIZATION \
  JOB_ID

Sostituisci quanto segue:

  • REGION: l'ID della regione del job
  • MINIMUM_WORKERS: il numero minimo di Compute Engine istanze
  • MAXIMUM_WORKERS: il numero massimo di Compute Engine istanze
  • TARGET_UTILIZATION: un valore nell'intervallo [0,1, 0,9]
  • JOB_ID: l'ID del job da aggiornare

Puoi anche aggiornare --min-num-workers, --max-num-workers e worker-utilization-hint singolarmente.

REST

Utilizza la projects.locations.jobs.update :

PUT https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION/jobs/JOB_ID?updateMask=MASK
{
  "runtime_updatable_params": {
    "min_num_workers": MINIMUM_WORKERS,
    "max_num_workers": MAXIMUM_WORKERS,
    "worker_utilization_hint": TARGET_UTILIZATION
  }
}

Sostituisci quanto segue:

  • MASK: un elenco separato da virgole di parametri da aggiornare, dal seguenti:
    • runtime_updatable_params.max_num_workers
    • runtime_updatable_params.min_num_workers
    • runtime_updatable_params.worker_utilization_hint
  • PROJECT_ID: l'ID del progetto Google Cloud della Job Dataflow
  • REGION: l'ID della regione del job
  • JOB_ID: l'ID del job da aggiornare
  • MINIMUM_WORKERS: il numero minimo di Compute Engine istanze
  • MAXIMUM_WORKERS: il numero massimo di Compute Engine istanze
  • TARGET_UTILIZATION: un valore nell'intervallo [0,1, 0,9]

Puoi anche aggiornare min_num_workers, max_num_workers e worker_utilization_hint singolarmente. Specifica quali parametri aggiornare nel parametro di query updateMask. includi i valori aggiornati nel campo runtimeUpdatableParams del corpo della richiesta. L'esempio seguente aggiorna min_num_workers:

PUT https://dataflow.googleapis.com/v1b3/projects/my_project/locations/us-central1/jobs/job1?updateMask=runtime_updatable_params.min_num_workers
{
  "runtime_updatable_params": {
    "min_num_workers": 5
  }
}

Per essere idoneo per gli aggiornamenti in corso, un job deve essere in esecuzione. Un l'errore si verifica se il job non è stato avviato o è già stato annullato. Analogamente, se avvii un job sostitutivo, attendi che inizi prima di inviare aggiornamenti in corso al nuovo job.

Dopo aver inviato una richiesta di aggiornamento, ti consigliamo di attendere prima di inviare un altro aggiornamento. Visualizza log dei job per vedere quando la richiesta vengono completate.

Convalida un job di sostituzione

Per verificare se un job sostitutivo è valido, prima di avviare il nuovo job, per convalidare il grafico del job. In Dataflow, il grafico dell'offerta di lavoro è una rappresentazione grafica una pipeline. Convalidando il grafico del job, riduci il rischio che la pipeline abbia errori o guasti della pipeline dopo l'aggiornamento. Inoltre, puoi convalidare gli aggiornamenti senza dover interrompere quello originale in modo che non presenti tempi di inattività.

Per convalidare il grafico del job, segui i passaggi per avviare un job di sostituzione. Includi graph_validate_only Opzione di servizio Dataflow nel comando update.

Java

  • Supera l'opzione --update.
  • Imposta l'opzione --jobName in PipelineOptions con lo stesso nome del job che vuoi aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Includi l'opzione per il servizio --dataflowServiceOptions=graph_validate_only.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transformNameMapping.
  • Se stai inviando un job sostitutivo che utilizza una versione successiva del SDK Apache Beam, imposta --updateCompatibilityVersion sul Versione dell'SDK Apache Beam utilizzata nel job originale.

Python

  • Supera l'opzione --update.
  • Imposta l'opzione --job_name in PipelineOptions con lo stesso nome del job che vuoi aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Includi l'opzione per il servizio --dataflow_service_options=graph_validate_only.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transform_name_mapping.
  • Se stai inviando un job sostitutivo che utilizza una versione successiva del SDK Apache Beam, imposta --updateCompatibilityVersion sul Versione dell'SDK Apache Beam utilizzata nel job originale.

Vai

  • Supera l'opzione --update.
  • Imposta l'opzione --job_name con lo stesso nome del job che vuoi aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Includi l'opzione per il servizio --dataflow_service_options=graph_validate_only.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transform_name_mapping.

gcloud

Per convalidare il grafico per un job di modello flessibile, utilizza la gcloud dataflow flex-template run con l'opzione additional-experiments:

  • Supera l'opzione --update.
  • Imposta JOB_NAME sullo stesso nome del job da aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Includi l'opzione --additional-experiments=graph_validate_only.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transform-name-mappings.

Ad esempio:

gcloud dataflow flex-template run JOB_NAME --additional-experiments=graph_validate_only

Sostituisci JOB_NAME con il nome del job da aggiornare.

REST

Utilizza il campo additionalExperiments nella FlexTemplateRuntimeEnvironment (modelli flessibili) o RuntimeEnvironment .

{
  additionalExperiments : ["graph_validate_only"]
  ...
}

Opzione di servizio graph_validate_only convalida solo gli aggiornamenti della pipeline. Non utilizzare questa opzione durante la creazione o avviare le pipeline. Per aggiornare la pipeline, avvia un job di sostituzione senza Opzione di servizio graph_validate_only.

Una volta completata la convalida del grafico del job, lo stato e i log dei job mostrano i seguenti stati:

  • Lo stato del job è JOB_STATE_DONE.
  • Nella console Google Cloud, lo stato del job è Succeeded.

  • Nei log dei job viene visualizzato il seguente messaggio:

    Workflow job: JOB_ID succeeded validation. Marking graph_validate_only job as Done.

Quando la convalida del grafico del job non va a buon fine, lo stato del job i log dei job mostrano i seguenti stati:

  • Lo stato del job è JOB_STATE_FAILED.
  • Nella console Google Cloud, lo stato del job è Failed.
  • Viene visualizzato un messaggio nella log dei job che descrivono i errore di incompatibilità. Il contenuto del messaggio dipende dall'errore.

Avviare un job di sostituzione

Potresti sostituire un job esistente per i seguenti motivi:

  • Eseguire il codice aggiornato della pipeline.
  • Per aggiornare le opzioni dei job che non supportano in tempo reale.

Per verificare se un job sostitutivo è valido, prima di avviare il nuovo job, convalida il grafico del job.

Quando avvii un job sostitutivo, imposta le seguenti opzioni della pipeline su eseguire il processo di aggiornamento oltre alle normali opzioni del job:

Java

  • Supera l'opzione --update.
  • Imposta l'opzione --jobName in PipelineOptions con lo stesso nome del job che vuoi aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transformNameMapping.
  • Se stai inviando un job sostitutivo che utilizza una versione successiva del SDK Apache Beam, imposta --updateCompatibilityVersion sul Versione dell'SDK Apache Beam utilizzata nel job originale.

Python

  • Supera l'opzione --update.
  • Imposta l'opzione --job_name in PipelineOptions con lo stesso nome del job che vuoi aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transform_name_mapping.
  • Se stai inviando un job sostitutivo che utilizza una versione successiva del SDK Apache Beam, imposta --updateCompatibilityVersion sul Versione dell'SDK Apache Beam utilizzata nel job originale.

Vai

  • Supera l'opzione --update.
  • Imposta l'opzione --job_name con lo stesso nome del job che vuoi aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transform_name_mapping.

gcloud

Per aggiornare un job del modello flessibile utilizzando gcloud CLI, utilizza gcloud dataflow flex-template run . Aggiornamento di altri job mediante gcloud CLI non è supportato.

  • Supera l'opzione --update.
  • Imposta JOB_NAME sullo stesso nome del job da aggiornare.
  • Imposta l'opzione --region sulla stessa regione del job che vuoi aggiornare.
  • Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma il mapping e lo passi utilizzando il metodo Opzione --transform-name-mappings.

REST

Queste istruzioni mostrano come aggiornare i job non modello utilizzando il metodo REST tramite Google Cloud CLI o tramite l'API Compute Engine. Per utilizzare l'API REST per aggiornare un job modello classico, consulta Aggiorna un job di flussi di dati personalizzato. Per utilizzare l'API REST per aggiornare un job di modello flessibile, consulta Aggiorna un job di modello flessibile.

  1. Recupera il job e la risorsa per il job che vuoi sostituire utilizzando projects.locations.jobs.get . Includi il parametro view parametro di query con il valore JOB_VIEW_DESCRIPTION. L'inclusione di JOB_VIEW_DESCRIPTION limita la quantità di dati nella risposta in modo che la richiesta successiva non superi i limiti di dimensione. Se hai bisogno informazioni più dettagliate sul job, utilizza il valore JOB_VIEW_ALL.

    GET https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION/jobs/JOB_ID?view=JOB_VIEW_DESCRIPTION

    Sostituisci i seguenti valori:

    • PROJECT_ID: l'ID del progetto Google Cloud della Job Dataflow
    • REGION: la regione del job da aggiornare
    • JOB_ID: l'ID del job da aggiornare

  2. Per aggiornare il job, utilizza projects.locations.jobs.create . Nel corpo della richiesta, utilizza la risorsa job che hai recuperato.

    POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION/jobs
{
  "id": JOB_ID,
  "replaceJobId": JOB_ID,
  "name": JOB_NAME,
  "type": "JOB_TYPE_STREAMING",
  "transformNameMapping": {
    string: string,
    ...
  },
}

    Sostituisci quanto segue:

    • JOB_ID: lo stesso ID job dell'ID del job desiderato per aggiornarli.
    • JOB_NAME: lo stesso nome del job da te assegnato per aggiornarli.

    Se i nomi delle trasformazioni nella pipeline sono cambiati, devi fornire trasforma mappatura e passalo utilizzando il campo transformNameMapping.

  3. (Facoltativo) Per inviare la richiesta utilizzando curl (Linux, macOS o Cloud Shell), salva il a un file JSON ed esegui questo comando:

    curl -X POST -d "@FILE_PATH" -H "Content-Type: application/json" -H "Authorization: Bearer $(gcloud auth print-access-token)"  https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/REGION/jobs

    Sostituisci FILE_PATH con il percorso del file JSON che contiene l'oggetto corpo della richiesta.

Specifica il nome del job sostitutivo

Java

Quando lanci il job di sostituzione, il valore che passi per --jobName deve corrispondere esattamente al nome del job da sostituire.

Python

Quando lanci il job di sostituzione, il valore che passi per --job_name deve corrispondere esattamente al nome del job da sostituire.

Vai

Quando lanci il job di sostituzione, il valore che passi per --job_name deve corrispondere esattamente al nome del job da sostituire.

gcloud

Quando avvii il job di sostituzione, JOB_NAME deve corrispondere esattamente il nome del job che vuoi sostituire.

REST

Imposta il valore del campo replaceJobId sullo stesso ID job del job desiderato per aggiornarli. Per trovare il valore corretto per il nome del job, seleziona il job precedente nel Interfaccia di monitoraggio di Dataflow. Quindi, nel riquadro laterale Informazioni lavoro, individua il campo ID job.

Per trovare il il valore corretto del nome del job, seleziona il job precedente in Dataflow Monitoring Interface. Quindi, nel Nel riquadro laterale Informazioni lavoro, individua il campo Nome job:

Il riquadro laterale delle informazioni sul job per un job Dataflow in esecuzione.
Figura 1: il riquadro laterale con le informazioni sul job per un job Dataflow in esecuzione con il campo Nome job.

In alternativa, esegui una query su un elenco di job esistenti utilizzando Interfaccia a riga di comando di Dataflow. Inserisci il comando gcloud dataflow jobs list nella shell o nel terminale finestra per ottenere un elenco dei job Dataflow nel tuo account Google Cloud progetto e trova il campo NAME per il job che vuoi sostituire:

JOB_ID                                    NAME                        TYPE       CREATION_TIME        STATE    REGION
2020-12-28_12_01_09-yourdataflowjobid     ps-topic                    Streaming  2020-12-28 20:01:10  Running  us-central1

Crea una mappatura della trasformazione

Se la pipeline sostitutiva cambia i nomi delle trasformazioni rispetto ai nomi presenti precedente, il servizio Dataflow richiede una trasformazione il mapping. La mappatura delle trasformazioni mappa le trasformazioni denominate nella tua precedente del codice della pipeline con i nomi nel codice della pipeline sostitutiva.

Java

Trasmetti il mapping utilizzando l'opzione della riga di comando --transformNameMapping. utilizzando il seguente formato generale:

--transformNameMapping= . 
{"oldTransform1":"newTransform1","oldTransform2":"newTransform2",...}

Devi fornire le voci di mappatura in --transformNameMapping solo per trasformare i nomi che sono cambiati tra la pipeline precedente e una pipeline di sostituzione.

Quando corri con --transformNameMapping, potresti dover fuggire le citazioni appropriate per la tua shell. Ad esempio, in Bash:

--transformNameMapping='{"oldTransform1":"newTransform1",...}'

Python

Trasmetti il mapping utilizzando l'opzione della riga di comando --transform_name_mapping. utilizzando il seguente formato generale:

--transform_name_mapping= .
{"oldTransform1":"newTransform1","oldTransform2":"newTransform2",...}

Devi fornire le voci di mappatura in --transform_name_mapping solo per trasformare i nomi che sono cambiati tra la pipeline precedente e una pipeline di sostituzione.

Quando corri con --transform_name_mapping, potresti dover fuggire le citazioni appropriate per la tua shell. Ad esempio, in Bash:

--transform_name_mapping='{"oldTransform1":"newTransform1",...}'

Vai

Trasmetti il mapping utilizzando l'opzione della riga di comando --transform_name_mapping. utilizzando il seguente formato generale:

--transform_name_mapping= .
{"oldTransform1":"newTransform1","oldTransform2":"newTransform2",...}

Devi fornire le voci di mappatura in --transform_name_mapping solo per trasformare i nomi che sono cambiati tra la pipeline precedente e una pipeline di sostituzione.

Quando corri con --transform_name_mapping, potresti dover fuggire le citazioni appropriate per la tua shell. Ad esempio, in Bash:

--transform_name_mapping='{"oldTransform1":"newTransform1",...}'

gcloud

Trasmetti la mappatura utilizzando --transform-name-mappings usando il seguente formato generale:

--transform-name-mappings= .
{"oldTransform1":"newTransform1","oldTransform2":"newTransform2",...}

Devi fornire le voci di mappatura in --transform-name-mappings solo per trasformare i nomi che sono cambiati tra la pipeline precedente e una pipeline di sostituzione.

Quando corri con --transform-name-mappings, potresti dover eseguire l'escape delle virgolette in modo appropriato per la tua shell. Per esempio, in Bash:

--transform-name-mappings='{"oldTransform1":"newTransform1",...}'

REST

Trasmetti la mappatura utilizzando transformNameMapping utilizzando il seguente formato generale:

"transformNameMapping": {
  oldTransform1: newTransform1,
  oldTransform2: newTransform2,
  ...
}

Devi fornire le voci di mappatura in transformNameMapping solo per trasformare i nomi che sono cambiati tra la pipeline precedente e una pipeline di sostituzione.

Determinare i nomi delle trasformazioni

Il nome della trasformazione in ogni istanza della mappa è il nome che hai fornito quando hai applicato la trasformazione nella pipeline. Ad esempio:

Java 

  .apply("FormatResults", ParDo
    .of(new DoFn<KV<String, Long>>, String>() {
      ...
     }
  }))

Python 

  | 'FormatResults' >> beam.ParDo(MyDoFn())

Vai 

  // In Go, this is always the package-qualified name of the DoFn itself.
  // For example, if the FormatResults DoFn is in the main package, its name
  // is "main.FormatResults".
  beam.ParDo(s, FormatResults, results)

Puoi anche ottenere i nomi delle trasformazioni per il tuo job precedente esaminando di esecuzione del job Interfaccia di monitoraggio di Dataflow:

Il grafico di esecuzione per una pipeline WordCount.
Figura 2: grafico di esecuzione per una pipeline WordCount in Dataflow Interfaccia di monitoraggio.

Denominazione trasformazione composita

I nomi delle trasformazioni sono gerarchici, basati sulla gerarchia delle trasformazioni una pipeline o un blocco note personalizzato. Se la tua pipeline ha un trasformazione composita, alle trasformazioni nidificate vengono denominate in base alla trasformazione contenitore. Per Ad esempio, supponiamo che la pipeline contenga una trasformazione composita denominata CountWidgets, che contiene una trasformazione interna denominata Parse. Il nome completo della trasformazione è CountWidgets/Parse e devi specificare che il nome completo nella mappatura della trasformazione.

Se la nuova pipeline mappa una trasformazione composita a un nome diverso, tutte vengono rinominate automaticamente. Devi specificare i nomi modificati per le trasformazioni interne nel mapping della trasformazione.

Esegui il refactoring della gerarchia di trasformazione

Se la pipeline sostitutiva utilizza una gerarchia di trasformazione diversa da quella della tua devi dichiarare esplicitamente il mapping. Potresti avere un una gerarchia di trasformazioni diversa perché hai eseguito il refactoring delle trasformazioni composte, Oppure la pipeline dipende da una trasformazione composita di una libreria che è stata modificata.

Ad esempio, la pipeline precedente ha applicato una trasformazione composita, CountWidgets, che conteneva una trasformazione interna denominata Parse. La pipeline sostitutiva esegue il refactoring di CountWidgets e nidifica Parse all'interno di un'altra trasformazione denominata Scan. Affinché l'aggiornamento vada a buon fine, devi mappare esplicitamente il codice completo nome della trasformazione nella pipeline precedente (CountWidgets/Parse) alla trasformazione nella nuova pipeline (CountWidgets/Scan/Parse):

Java 

--transformNameMapping={"CountWidgets/Parse":"CountWidgets/Scan/Parse"}

Se elimini una trasformazione completamente nella pipeline sostitutiva, devi fornisce un mapping nullo. Supponiamo che la pipeline di sostituzione rimuova Trasformazione completa di CountWidgets/Parse:

--transformNameMapping={"CountWidgets/Parse":""}

Python 

--transform_name_mapping={"CountWidgets/Parse":"CountWidgets/Scan/Parse"}

Se elimini una trasformazione completamente nella pipeline sostitutiva, devi fornisce un mapping nullo. Supponiamo che la pipeline di sostituzione rimuova Trasformazione completa di CountWidgets/Parse:

--transform_name_mapping={"CountWidgets/Parse":""}

Vai 

--transform_name_mapping={"CountWidgets/main.Parse":"CountWidgets/Scan/main.Parse"}

Se elimini una trasformazione completamente nella pipeline sostitutiva, devi fornisce un mapping nullo. Supponiamo che la pipeline di sostituzione rimuova Trasformazione completa di CountWidgets/Parse:

--transform_name_mapping={"CountWidgets/main.Parse":""}

gcloud 

--transform-name-mappings={"CountWidgets/Parse":"CountWidgets/Scan/Parse"}

Se elimini una trasformazione completamente nella pipeline sostitutiva, devi fornisce un mapping nullo. Supponiamo che la pipeline di sostituzione rimuova Trasformazione completa di CountWidgets/Parse:

--transform-name-mappings={"CountWidgets/main.Parse":""}

REST 

"transformNameMapping": {
  CountWidgets/Parse: CountWidgets/Scan/Parse
}

Se elimini una trasformazione completamente nella pipeline sostitutiva, devi fornisce un mapping nullo. Supponiamo che la pipeline di sostituzione rimuova Trasformazione completa di CountWidgets/Parse:

"transformNameMapping": {
  CountWidgets/main.Parse: null
}

Effetti della sostituzione di un job

Quando sostituisci un job esistente, un nuovo job esegue il codice aggiornato della pipeline. La Il servizio Dataflow conserva il nome del job, ma esegue la sostituzione job con un ID job aggiornato. Questo processo potrebbe causare tempi di inattività durante l'arresto del job esistente, l'esecuzione del controllo di compatibilità e il nuovo job .

Il job di sostituzione conserva i seguenti elementi:

Dati sullo stato intermedio

I dati sullo stato intermedio del job precedente vengono conservati. Dati sullo stato non include le cache in memoria. Se vuoi conservare i dati della cache in memoria quando aggiorni la pipeline, come soluzione alternativa, esegui il refactoring della pipeline per convertire memorizza nella cache dati relativi allo stato o a input aggiuntivi. Per ulteriori informazioni sull'utilizzo degli input aggiuntivi, vedi Pattern di input aggiuntivi nella documentazione di Apache Beam.

Le pipeline di flusso hanno limiti di dimensioni per ValueState e per gli input aggiuntivi. Di conseguenza, se vuoi conservare le cache di grandi dimensioni, potresti aver bisogno per usare l'archiviazione esterna, come Memorystore o Bigtable.

Dati "inflight"

"In volo" mentre i dati vengono ancora elaborati dalle trasformazioni nella nuova pipeline. Tuttavia, le trasformazioni aggiuntive che aggiungi nel codice della pipeline sostitutiva potrebbe diventare effettiva o meno, a seconda della posizione in cui i record sono memorizzati nel buffer. Nella In questo esempio, la pipeline esistente presenta le seguenti trasformazioni:

Java

  p.apply("Read", ReadStrings())
   .apply("Format", FormatStrings());

Python

  p | 'Read' >> beam.io.ReadFromPubSub(subscription=known_args.input_subscription)
    | 'Format' >> FormatStrings()

Vai

   beam.ParDo(s, ReadStrings)
   beam.ParDo(s, FormatStrings)

Puoi sostituire il job con il nuovo codice della pipeline, come segue:

Java

  p.apply("Read", ReadStrings())
   .apply("Remove", RemoveStringsStartingWithA())
   .apply("Format", FormatStrings());

Python

  p | 'Read' >> beam.io.ReadFromPubSub(subscription=known_args.input_subscription)
    | 'Remove' >> RemoveStringsStartingWithA()
    | 'Format' >> FormatStrings()

Vai

  beam.ParDo(s, ReadStrings)
  beam.ParDo(s, RemoveStringsStartingWithA)
  beam.ParDo(s, FormatStrings)

Anche se aggiungi una trasformazione per filtrare le stringhe che iniziano con lettera "A", la trasformazione successiva (FormatStrings) potrebbe ancora essere presente nel buffer o stringhe in corso che iniziano con la lettera "A" trasferiti dalla precedente un lavoro.

Cambia windowing

Puoi modificare il windowing e trigger strategie per gli elementi PCollection della pipeline di sostituzione, ma fai attenzione. La modifica delle strategie di windowing o trigger non influisce sui dati che vengono già nel buffer o comunque in corso.

Ti consigliamo di provare solo modifiche più piccole al windowing della pipeline, come la modifica della durata di finestre temporali fisse o scorrevoli. Intensificare modifiche a windowing o trigger, come la modifica dell'algoritmo di windowing, potrebbero hanno risultati imprevedibili sull'output della pipeline.

Controllo di compatibilità del job

Quando avvii il job di sostituzione, il servizio Dataflow esegue un controllo di compatibilità tra il job di sostituzione e quello precedente. Se il controllo di compatibilità ha esito positivo, il lavoro precedente viene interrotto. Il job di sostituzione viene quindi avviato sul servizio Dataflow mantenendo lo stesso nome job. Se il controllo di compatibilità non va a buon fine, le precedenti continua a essere eseguito sul servizio Dataflow il job di sostituzione restituisce un errore.

Java

A causa di una limitazione, devi usare il blocco per visualizzare gli errori di tentativi di aggiornamento non riusciti nella console o nel terminale. La soluzione alternativa attuale prevede i seguenti passaggi:

  1. Utilizza pipeline.run().waitUntilFinish() nel codice della pipeline.
  2. Esegui il programma della pipeline di sostituzione con l'opzione --update.
  3. Attendi che il job di sostituzione superi il controllo di compatibilità.
  4. Esci dalla procedura dell'esecutore di blocco digitando Ctrl+C.

In alternativa, puoi monitorare lo stato del job di sostituzione nel Interfaccia di monitoraggio di Dataflow. Se il job è stato avviato correttamente, ha superato anche il controllo di compatibilità.

Python

A causa di una limitazione, devi usare il blocco per visualizzare gli errori di tentativi di aggiornamento non riusciti nella console o nel terminale. La soluzione alternativa attuale prevede i seguenti passaggi:

  1. Utilizza pipeline.run().wait_until_finish() nel codice della pipeline.
  2. Esegui il programma della pipeline di sostituzione con l'opzione --update.
  3. Attendi che il job di sostituzione superi il controllo di compatibilità.
  4. Esci dalla procedura dell'esecutore di blocco digitando Ctrl+C.

In alternativa, puoi monitorare lo stato del job di sostituzione nel Interfaccia di monitoraggio di Dataflow. Se il job è stato avviato correttamente, ha superato anche il controllo di compatibilità.

Vai

A causa di una limitazione, devi usare il blocco per visualizzare gli errori di tentativi di aggiornamento non riusciti nella console o nel terminale. In particolare, devi specificare un'esecuzione che non blocchi utilizzando il metodo Flag --execute_async o --async. Lo stato attuale consiste nei seguenti passaggi:

  1. Esegui il programma della pipeline di sostituzione con l'opzione --update e senza i flag --execute_async o --async.
  2. Attendi che il job di sostituzione superi il controllo di compatibilità.
  3. Esci dalla procedura dell'esecutore di blocco digitando Ctrl+C.

gcloud

A causa di una limitazione, devi usare il blocco per visualizzare gli errori di tentativi di aggiornamento non riusciti nella console o nel terminale. La soluzione alternativa attuale prevede i seguenti passaggi:

  1. Per le pipeline Java, usa pipeline.run().waitUntilFinish() nel codice della pipeline. Per le pipeline Python, usa pipeline.run().wait_until_finish() nel codice della pipeline. Per le pipeline Go, segui i passaggi nella scheda Go.
  2. Esegui il programma della pipeline di sostituzione con l'opzione --update.
  3. Attendi che il job di sostituzione superi il controllo di compatibilità.
  4. Esci dalla procedura dell'esecutore di blocco digitando Ctrl+C.

REST

A causa di una limitazione, devi usare il blocco per visualizzare gli errori di tentativi di aggiornamento non riusciti nella console o nel terminale. La soluzione alternativa attuale prevede i seguenti passaggi:

  • Per le pipeline Java, usa pipeline.run().waitUntilFinish() nel codice della pipeline. Per le pipeline Python, usa pipeline.run().wait_until_finish() nel codice della pipeline. Per le pipeline Go, segui i passaggi nella scheda Go.
  • Esegui il programma della pipeline di sostituzione con il campo replaceJobId.
  • Attendi che il job di sostituzione superi il controllo di compatibilità.
  • Esci dalla procedura dell'esecutore di blocco digitando Ctrl+C.

Il controllo di compatibilità utilizza la mappatura delle trasformazioni fornita per garantire che Dataflow può trasferire dati sullo stato intermedi dai passaggi in il lavoro precedente a quello di sostituzione. Il controllo di compatibilità garantisce anche che gli elementi PCollection nella pipeline utilizzano gli stessi Codificatori. La modifica di un Coder può causare la mancata riuscita del controllo di compatibilità, in quanto i dati in transito o i record bufferizzati potrebbero non essere serializzati correttamente una pipeline di sostituzione.

Previeni le interruzioni di compatibilità

Alcune differenze tra la pipeline precedente e quella sostitutiva la verifica della compatibilità potrebbe non andare a buon fine. Queste differenze includono:

  • Modifica del grafico della pipeline senza fornire una mappatura. Quando esegui l'aggiornamento un job, Dataflow tenta di abbinare le trasformazioni della tua alle trasformazioni del job di sostituzione. Questa procedura di corrispondenza Dataflow trasferisce i dati intermedi sullo stato per ogni passaggio. Se rinomini o rimuovi dei passaggi, devi fornire un trasforma mappatura in modo che Dataflow possa corrispondere allo stato i dati di conseguenza.
  • Modifica degli input laterali di un passaggio. Aggiunta in corso... input aggiuntivi o la loro rimozione da una trasformazione nella pipeline di sostituzione, la verifica della compatibilità non vada a buon fine.
  • Cambia il programmatore per un passaggio. Quando aggiorni un job, Dataflow conserva tutti i record di dati attualmente presenti nel buffer li gestisce nel job di sostituzione. Ad esempio, potrebbero verificarsi dati presenti nel buffer durante il windowing in fase di risoluzione. Se il job di sostituzione utilizza un job diverso o non compatibile codifica dei dati, Dataflow non è in grado di serializzare o deserializzare questi record.

  • Rimozione di una classe "stateful" operativa dalla tua pipeline. Se rimuovi operazioni stateful dalla pipeline, il job di sostituzione potrebbe non riuscire controllo di compatibilità. Dataflow può Fondere più passaggi per l'efficienza. Se rimuovi un'operazione dipendente dallo stato da all'interno di un passaggio combinato, il controllo non va a buon fine. Le operazioni stateful includono:

    • Trasformazioni che producono o consumano input aggiuntivi.
    • Letture I/O.
    • Trasformazioni che usano lo stato con chiave.
    • Trasformazioni con unione delle finestre.

  • Modifica delle variabili DoFn stateful. Per i job di flussi di dati in corso, se la pipeline include DoFn stateful, la modifica delle variabili DoFn stateful potrebbe causare un errore della pipeline.

  • Tentativo di eseguire il job di sostituzione in una zona geografica diversa. Esegui il job di sostituzione nella stessa zona in cui hai eseguito il job precedente.

Aggiornamento degli schemi

Apache Beam consente agli PCollection di avere schemi con campi denominati, nel qual caso non servono programmatori espliciti. Se i nomi e i tipi di campo relativi a un determinato schema sono invariati (compresi i campi nidificati), questo schema non causa la controllo degli aggiornamenti. Tuttavia, l'aggiornamento potrebbe essere ancora bloccato se della nuova pipeline non sono compatibili.

Evolvere gli schemi

Spesso è necessario far evolvere lo schema di PCollection a causa dell'evoluzione del business i tuoi requisiti. Il servizio Dataflow consente di: modifiche a uno schema durante l'aggiornamento della pipeline:

  • Aggiunta di uno o più nuovi campi a uno schema, inclusi quelli nidificati.
  • Rendere facoltativo un tipo di campo obbligatorio (non annullabile).

La rimozione dei campi, la modifica dei nomi o dei tipi di campi non avviene sono consentiti durante l'aggiornamento.

passa dati aggiuntivi a un'operazione ParDo esistente

Puoi passare dati aggiuntivi (fuori banda) a un'operazione ParDo esistente utilizzando uno dei seguenti metodi, a seconda del caso d'uso:

  • Serializza le informazioni come campi nella sottoclasse DoFn.
  • Tutte le variabili a cui fanno riferimento i metodi in un elemento DoFn anonimo vengono serializzato automaticamente.
  • Calcola i dati all'interno di DoFn.startBundle().
  • Trasmetti i dati utilizzando ParDo.withSideInputs.

Per ulteriori informazioni, consulta le seguenti pagine: