O Dataplex oferece suporte à programação da execução de código personalizado, seja como uma execução única, em uma programação regular ou sob demanda. O recurso sob demanda está em pré-lançamento e só está disponível pela API. É possível programar transformações de dados do cliente usando o Spark (Java), o PySpark (limitado à versão 3.2 do Spark) ou o Spark SQL. O Dataplex executa o código usando o processamento do Spark sem servidor e um programador integrado.
Terminologia
- Tarefa
- Uma tarefa do Dataplex representa o trabalho que você quer que o Dataplex faça em uma programação. Ele encapsula seu código, seus parâmetros e a programação.
- Job
Um job representa uma única execução de uma tarefa do Dataplex. Por exemplo, se uma tarefa for programada para ser executada diariamente, o Dataplex vai criar um job todos os dias.
Para jobs criados a partir de 10 de maio de 2023, o campo Gatilho mostra o tipo de gatilho de execução do job.
Confira a seguir os tipos de acionador de execução de job:
RUN_REQUEST: indica que o job foi executado devido à chamada da API
RunTask
.TASK_CONFIG: indica que o job foi executado devido à configuração
TriggerSpec
da tarefa.
Modos de programação
O Dataplex é compatível com os seguintes modos de programação:
- Executar uma vez
- Use esse modo para executar a tarefa apenas uma vez. Você pode executá-la imediatamente ou em um horário definido no futuro. Se você executar a tarefa imediatamente, ainda poderá levar até dois minutos para que a execução comece.
- Executar em uma programação
- Use esse modo para executar a tarefa com uma frequência repetida. As repetições compatíveis são diárias, semanais, mensais ou personalizadas.
- Executar sob demanda
Use esse modo para executar uma tarefa criada anteriormente sob demanda. O modo de execução sob demanda é aceito apenas pela API
RunTask
. Quando o job é executado sob demanda, o Dataplex usa parâmetros atuais para criar um job. É possível especificar os argumentosExecutionSpec
e os rótulos para executar o job.
Antes de começar
Ativar a API Dataproc.
Ative o Acesso privado do Google para sua rede e sub-rede. Ative o Acesso privado do Google na rede que você usa com as tarefas do Dataplex. Se você não especificar uma rede ou sub-rede ao criar a tarefa do Dataplex, ele vai usar a sub-rede padrão, e você precisará ativar o Acesso privado do Google para ela.
Crie uma conta de serviço. É necessária uma conta de serviço para programar tarefas do Dataplex. A conta de serviço precisa pertencer ao projeto em que você executa as tarefas. A conta de serviço precisa ter as seguintes permissões:
Acesso aos dados do BigQuery e do Cloud Storage que estão sendo processados.
permissão Papel de worker do Dataproc no projeto em que você executa a tarefa.
Se a tarefa precisar ler ou atualizar a instância do metastore do Dataproc anexada ao lago, a conta de serviço precisará do papel de leitor ou editor do metastore do Dataproc. Esse papel precisa ser concedido no projeto em que o lago de dados do Dataplex está configurado.
Se a tarefa for um job do Spark SQL, conceda à conta de serviço o papel de desenvolvedor do Dataplex. Esse papel precisa ser concedido no projeto em que o data lake do Dataplex está configurado.
Se a tarefa for um job do Spark SQL, você precisará de permissões de administrador do Cloud Storage no bucket em que os resultados são gravados.
Para programar e executar o Spark SQL e tarefas personalizadas do Spark, você precisa ter os papéis do IAM de leitor de metadados do Dataplex (
roles/dataplex.metadataReader
), de leitor do Dataplex (roles/dataplex.viewer
) e de usuário de metadados do Dataproc Metastore (roles/metastore.metadataUser
) na sua conta de serviço.
Conceda ao usuário que envia o job o papel de usuário da conta de serviço (
roles/iam.serviceAccountUser
) na conta de serviço. Para ver instruções, consulte Gerenciar o acesso a contas de serviço.Conceda permissões à conta de serviço do lake do Dataplex para usar a conta de serviço. A conta de serviço do lake do Dataplex pode ser encontrada na página Detalhes do lake do console do Google Cloud .
Se o projeto que contém seu lago do Dataplex for diferente do projeto em que a tarefa será executada, conceda à conta de serviço do lago do Dataplex o papel de editor do Dataproc no projeto em que você executa a tarefa.
Coloque os artefatos de código necessários (arquivos JAR, Python ou script SQL) ou arquivos arquivados (
.jar
,.tar
,.tar.gz
,.tgz
,.zip
) em um caminho do Cloud Storage.Verifique se a conta de serviço tem a permissão
storage.objects.get
necessária para o bucket do Cloud Storage que armazena esses artefatos de código.
Programar uma tarefa do Spark (Java ou Python)
Console
No console do Google Cloud , acesse a página do Dataplex.
Navegue até a visualização Processo.
Clique em Criar tarefa.
Em Criar tarefa personalizada do Spark, clique em Criar tarefa.
Escolha um lake do Dataplex.
Informe o nome da tarefa.
Crie um ID para a tarefa.
Na seção Configuração da tarefa, em Tipo, selecione Spark ou PySpark.
Insira os argumentos relevantes.
No campo Conta de serviço, insira uma conta de serviço do usuário com que a tarefa personalizada do Spark pode ser executada.
Clique em Continuar.
Opcional: Definir programação: selecione Executar uma vez ou Repetir. Preencha os campos obrigatórios.
Clique em Continuar.
Opcional: Personalizar recursos e Adicionar outras configurações.
Clique em Criar.
gcloud
É possível programar uma tarefa do Spark (Java / Python) usando o comando da CLI gcloud. A tabela a seguir lista os parâmetros obrigatórios e opcionais a serem usados:
Parâmetro | Descrição |
---|---|
--lake |
O ID do lake para o recurso do lake do serviço do Dataplex. |
--location |
O local do serviço do Dataplex. |
--spark-main-class |
A classe principal do driver. O arquivo jar que
contém a classe precisa estar no CLASSPATH padrão.
|
--spark-main-jar-file-uri |
O URI do Cloud Storage do arquivo jar que contém
a classe principal.
|
--spark-archive-uris |
Opcional: URIs do Cloud Storage de arquivos a serem extraídos para o diretório de trabalho de cada executor. Tipos de arquivos com suporte:
.jar , .tar , .tar.gz ,
.tgz e .zip .
|
--spark-file-uris |
Opcional: URIs do Cloud Storage de arquivos a serem colocados no diretório de trabalho de cada executor. |
--batch-executors-count |
Opcional: o número total de executores de job. O valor padrão é 2. |
--batch-max-executors-count |
Opcional: o número máximo de executores configuráveis. O valor
padrão é 1.000. Se batch-max-executors-count for maior que
batch-executors-count , o Dataplex vai ativar o
escalonamento automático.
|
--container-image-java-jars |
Opcional: uma lista de JARs Java para adicionar ao caminho de classe. A entrada válida
inclui URIs do Cloud Storage para binários JAR. Por exemplo, gs://bucket-name/my/path/to/file.jar .
|
--container-image-properties |
Opcional: chaves de propriedade, especificadas em um formato
prefix:property .Por exemplo, core:hadoop.tmp.dir .Para mais informações, consulte Propriedades do cluster. |
--vpc-network-tags |
Opcional: uma lista de tags de rede a serem aplicadas ao job. |
--vpc-network-name |
Opcional: a rede de nuvem privada virtual em que o job é executado. Por
default, o Dataplex usa a rede VPC
chamada Default no projeto. Use apenas um dos --vpc-network-name ou --vpc-sub-network-name .
|
--vpc-sub-network-name |
Opcional: a sub-rede da VPC em que o job é executado.
Use apenas --vpc-sub-network-name
ou --vpc-network-name .
|
--trigger-type |
Tipo de acionador da tarefa especificada pelo usuário. Os valores precisam ser um destes:ON_DEMAND : a tarefa é executada uma vez logo após a criação.RECURRING : a tarefa é executada periodicamente em uma programação.
|
--trigger-start-time |
Opcional: o horário da primeira execução da tarefa. O formato
é "{year}-{month}-{day}T{hour}:{min}:{sec}Z", em que o fuso horário é
UTC. Por exemplo, "2017-01-15T01:30:00Z" codifica 01:30 UTC em
15 de janeiro de 2017. Se esse valor não for especificado, a tarefa será executada
após ser enviada se o tipo de gatilho for ON_DEMAND ou
na programação especificada se o tipo de gatilho for
RECURRING .
|
--trigger-disabled |
Opcional: impede a execução da tarefa. Esse parâmetro não
cancela as tarefas que já estão em execução, mas desativa temporariamente as
tarefas RECURRING .
|
--trigger-max-retires |
Opcional: o número de novas tentativas antes do cancelamento. Defina o valor como zero para nunca tentar repetir uma tarefa com falha. |
--trigger-schedule |
Programação do cron para executar tarefas periodicamente. |
--description |
Opcional: descrição da tarefa. |
--display-name |
Opcional: nome de exibição da tarefa. |
--labels |
Opcional: lista de pares de rótulos KEY=VALUE a serem adicionados. |
--execution-args |
Opcional: os argumentos a serem transmitidos para a tarefa. Os argumentos podem ser uma combinação de
pares de chave-valor. É possível transmitir uma lista de pares de chave-valor separados por vírgulas como
argumentos de execução. Para transmitir argumentos posicionais, defina a chave como
TASK_ARGS e o valor como uma string separada por vírgulas de
todos os argumentos posicionais. Para usar um delimitador diferente de uma vírgula, consulte
escape.Caso key-value e argumentos posicionais sejam transmitidos
juntos, TASK_ARGS será transmitido como o último argumento.
|
--execution-service-account |
Conta de serviço a ser usada para executar uma tarefa. |
--max-job-execution-lifetime |
Opcional: a duração máxima antes que a execução do job expire. |
--container-image |
Opcional: imagem de contêiner personalizada para o ambiente de execução do job. Se não for especificado, uma imagem de contêiner padrão será usada. |
--kms-key |
Opcional: a chave do Cloud KMS a ser usada para criptografia, no formato:projects/{project_number}/locations/{location_id}/keyRings/{key-ring-name}/cryptoKeys/{key-name}
|
Exemplo em Java:
glcoud dataplex tasks create --project=<project-name> --location=<location> --lake=<lake-id> --trigger-type=ON_DEMAND –spark-main-jar-file-uri=<gcs location to java file> --execution-service-account=<service-account-email> --trigger-start-time=<timestamp after which job starts ex. 2099-01-01T00:00:00Z> --labels=key1=value1,key2=value3,key3=value3 --execution-args=arg1=value1,arg2=value3,arg3=value3 <task-id>
Exemplo do PySpark:
gcloud dataplex tasks create --project=<project-name> --location=<location> --lake=<lake-id> --trigger-type=RECURRING --trigger-schedule=<Cron schedule https://en.wikipedia.org/wiki/Cron> --spark-python-script-file=<gcs location to python script> --execution-service-account=<service-account-email> --execution-args=^::^arg1=value1::arg2=value2::TASK_ARGS="pos-arg1, pos-arg2" <task-id>
REST
Para criar uma tarefa, use o APIs Explorer.
Programar uma tarefa do Spark SQL
gcloud
Para programar uma tarefa do Spark SQL, execute o mesmo comando da CLI gcloud mostrado em Programar uma tarefa do Spark (Java ou Python), com os seguintes parâmetros adicionais:
Parâmetro | Descrição |
---|---|
--spark-sql-script |
O texto da consulta SQL. É necessário spark-sql-script ou
spark-sql-script-file . |
--spark-sql-script-file |
Uma referência a um arquivo de consulta. Esse valor pode ser o URI do Cloud Storage do arquivo de consulta ou o caminho para o conteúdo do script SQL.
É necessário spark-sql-script ou
spark-sql-script-file . |
--execution-args |
Para tarefas do Spark SQL, os seguintes argumentos são obrigatórios e precisam ser
transmitidos como argumentos posicionais:--output_location, <GCS uri of the output directory> --output_format, <output file format> .Os formatos aceitos são CSV, JSON, Parquet e ORC. |
gcloud dataplex tasks create --project=<project-name> --location=<location> --lake=<lake-id> --execution-service-account=<service-account-email> --trigger-type=ON_DEMAND --spark-sql-script=<sql-script> --execution-args=^::^TASK_ARGS="--output_location, <gcs folder location>, --output_format, json" <sql-task-id>
REST
Para criar uma tarefa, use o APIs Explorer.
Monitorar a tarefa
Console
No console do Google Cloud , acesse a página do Dataplex:
Navegue até a visualização Processo.
Na guia Tarefas, há uma lista de tarefas, filtrada por tipos de modelo de tarefa.
Na coluna Nome, clique em qualquer tarefa que você quer consultar.
Clique no ID do job da tarefa que você quer consultar.
A página do Dataproc é aberta no console do Google Cloud , que permite conferir os detalhes de monitoramento e saída.
gcloud
A tabela a seguir lista os comandos da CLI gcloud para monitorar suas tarefas.
Ação | Comando da CLI gcloud |
---|---|
Como listar tarefas | gcloud dataplex tasks list --project=<project-name> --location=<location> --lake=<lake-id> |
Como conferir detalhes da tarefa | gcloud dataplex tasks describe --project=<project-name> --location=<location> --lake=<lake-id> <task-id> |
Como listar jobs de uma tarefa | gcloud dataplex tasks jobs list --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> |
Como conferir os detalhes do job | gcloud dataplex tasks jobs describe --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id> |
O Dataplex executa jobs no Dataproc sem servidor (lotes). Para conferir os registros de execução de um job do Dataplex, siga estas etapas:
Extraia o ID do job do Dataproc sem servidor (lotes). Execute este comando:
gcloud dataplex tasks jobs describe --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id>
Veja os registros. Execute o comando a seguir usando o ID do job que você recebeu ao executar o comando anterior:
gcloud beta dataproc batches wait --project=<project-name> --region=<location> <job-id>
REST
Gerenciar a programação
No console do Google Cloud , no Dataplex, é possível editar a programação de uma tarefa, excluir uma tarefa ou cancelar um job em andamento. A tabela a seguir lista os comandos da CLI gcloud para essas ações.
Ação | Comando da CLI gcloud |
---|---|
Editar programação de tarefas | gcloud dataplex tasks update --project=<project-name> --location=<location> --lake=<lake-id> --trigger-schedule=<updated-schedule> <task-id> |
Excluir uma tarefa | gcloud dataplex tasks delete --project=<project-name> --location=<location> --lake=<lake-id> <task-id> |
Cancelar um job | gcloud dataplex tasks jobs cancel --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id> |
A seguir
- Consulte Modelos do Dataproc.
- Use um modelo pré-criado para mover dados de forma incremental dos recursos do Dataplex Cloud Storage para o BigQuery.
- Consulte Configurar alertas e notificações para tarefas do Dataplex.