Dataplex supporta la pianificazione dell'esecuzione di codice personalizzato, come esecuzione una tantum, su una pianificazione regolare o on demand. On demand è in anteprima ed è disponibile solo tramite API. Puoi pianificare le trasformazioni dei dati dei clienti utilizzando Spark (Java), PySpark (limitato a Spark versione 3.2) o Spark SQL. Dataplex esegue il codice utilizzando l'elaborazione Spark serverless e uno scheduler serverless integrato.
Terminologia
- Attività
- Un'attività Dataplex rappresenta il lavoro che vuoi eseguire Dataplex in base a una pianificazione. Incapsula il codice, i parametri e la pianificazione.
- Job
Un job rappresenta una singola esecuzione di un'attività Dataplex. Ad esempio, se un'attività è pianificata per l'esecuzione giornaliera, Dataplex creerà un job ogni giorno.
Per i job creati a partire dal 10 maggio 2023, il campo Trigger mostra il tipo di trigger di esecuzione del job.
Di seguito sono riportati i tipi di trigger di esecuzione job:
RUN_REQUEST: indica che il job è stato eseguito a causa della chiamata all'API
RunTask.TASK_CONFIG: indica che il job è stato eseguito a causa della configurazione
TriggerSpecdell'attività.
Modalità di pianificazione
Dataplex supporta le seguenti modalità di pianificazione:
- Esegui una volta
- Utilizza questa modalità per eseguire l'attività solo una volta. Puoi scegliere di eseguirlo immediatamente o in un momento specifico. Se esegui l'attività immediatamente, potrebbero essere necessari fino a due minuti prima che inizi.
- Esegui in base a una programmazione
- Utilizza questa modalità per eseguire l'attività con una frequenza ripetuta. Le ripetizioni supportate sono giornaliere, settimanali, mensili o personalizzate.
- Esegui on demand
Utilizza questa modalità per eseguire on demand un'attività creata in precedenza. La modalità di esecuzione on demand è supportata solo dall'API
RunTask. Quando il job viene eseguito on demand, Dataplex utilizza i parametri esistenti per creare un job. Puoi specificare gli argomentiExecutionSpece le etichette per eseguire il job.
Prima di iniziare
Abilitare l'API Dataproc.
Abilita l'accesso privato Google per la tua rete e la tua subnet. Abilita l'accesso privato Google sulla rete che utilizzi con le attività Dataplex. Se non specifichi una rete o una subnet durante la creazione dell'attività Dataplex, Dataplex utilizza la subnet predefinita e devi abilitare l'accesso privato Google per la subnet predefinita.
Crea un account di servizio. È necessario un account di servizio per pianificare qualsiasi attività Dataplex. L'account di servizio deve appartenere al progetto in cui esegui le attività. L'account di servizio deve avere le seguenti autorizzazioni:
Accesso ai dati di BigQuery e Cloud Storage in elaborazione.
Ruolo worker Dataproc sul progetto in cui esegui l'attività.
Se l'attività deve leggere o aggiornare l'istanza Dataproc Metastore collegata al lake, l'account di servizio deve avere il ruolo Visualizzatore o Editor Dataproc Metastore. Questo ruolo deve essere concesso nel progetto in cui è configurato il lago Dataplex.
Se l'attività è un job Spark SQL, devi concedere all'account di servizio il ruolo Sviluppatore Dataplex. Questo ruolo deve essere concesso nel progetto in cui è configurato il lake Dataplex.
Se l'attività è un job Spark SQL, devi disporre delle autorizzazioni di amministratore di Cloud Storage per il bucket in cui vengono scritti i risultati.
Per pianificare ed eseguire attività Spark SQL e Spark personalizzate, devi disporre dei ruoli IAM Lettore metadati Dataplex (
roles/dataplex.metadataReader), Visualizzatore Dataplex (roles/dataplex.viewer) e Utente metadati Dataproc Metastore (roles/metastore.metadataUser) per il tuo account di servizio.
Concedi all'utente che invia il job il ruolo Utente account di servizio (
roles/iam.serviceAccountUser) nell'account di servizio. Per le istruzioni, vedi Gestire l'accesso agli account di servizio.Concedi all'account di servizio del lake Dataplex le autorizzazioni per utilizzare l'account di servizio. Puoi trovare l'account di servizio lake Dataplex nella pagina Dettagli lago della console Google Cloud.
Se il progetto che contiene il lake Dataplex è diverso da quello in cui deve essere eseguita l'attività, concedi all'account di servizio del lake Dataplex il ruolo Editor Dataproc sul progetto in cui esegui l'attività.
Inserisci gli artefatti di codice richiesti (file di script JAR, Python o SQL) o i file archiviati (
.jar,.tar,.tar.gz,.tgz,.zip) in un percorso Cloud Storage.Assicurati che l'account di servizio disponga dell'autorizzazione
storage.objects.getrichiesta per il bucket Cloud Storage che memorizza questi artefatti di codice.
Pianifica un'attività Spark (Java o Python)
Console
Nella console Google Cloud, vai alla pagina Dataplex:
Vai alla visualizzazione Process (Procedura).
Fai clic su Crea attività.
In Crea attività Spark personalizzata, fai clic su Crea attività.
Scegli un lake Dataplex.
Specifica un nome per l'attività.
Crea un ID per l'attività.
Nella sezione Configurazione attività, per Tipo, seleziona Spark o PySpark.
Inserisci gli argomenti pertinenti.
Nel campo Account di servizio, inserisci un account di servizio utente che possa eseguire la tua attività Spark personalizzata.
Fai clic su Continua.
(Facoltativo) Imposta pianificazione: seleziona Esegui una volta o Ripeti. Compila i campi obbligatori.
Fai clic su Continua.
(Facoltativo) Personalizza risorse e Aggiungi impostazioni aggiuntive.
Fai clic su Crea.
gcloud
Puoi pianificare un'attività Spark (Java / Python) utilizzando il comando gcloud CLI. La seguente tabella elenca i parametri obbligatori e facoltativi da utilizzare:
| Parametro | Descrizione |
|---|---|
--lake |
L'ID lake per la risorsa lake del servizio Dataplex. |
--location |
La località del servizio Dataplex. |
--spark-main-class |
La classe principale di conducente. Il file jar che contiene la classe deve essere nel valore predefinito CLASSPATH.
|
--spark-main-jar-file-uri |
L'URI Cloud Storage del file jar che contiene la classe principale.
|
--spark-archive-uris |
Facoltativo: URI Cloud Storage degli archivi da estrarre nella directory di lavoro di ogni esecutore. Tipi di file supportati:
.jar, .tar, .tar.gz,
.tgz e .zip.
|
--spark-file-uris |
(Facoltativo) URI Cloud Storage dei file da inserire nella directory di lavoro di ogni esecutore. |
--batch-executors-count |
(Facoltativo) Il numero totale di esecutori del job. Il valore predefinito è 2. |
--batch-max-executors-count |
(Facoltativo) Il numero massimo di esecutori configurabili. Il valore predefinito è 1000. Se batch-max-executors-count è superiore a batch-executors-count, Dataplex abilita la scalabilità automatica.
|
--container-image-java-jars |
(Facoltativo) Un elenco di JARS Java da aggiungere al percorso della classe. L'input valido include gli URI Cloud Storage dei programmi binari Jar. Ad esempio, gs://bucket-name/my/path/to/file.jar.
|
--container-image-properties |
Facoltativo: chiavi di proprietà specificate in un formato prefix:property.Ad esempio, core:hadoop.tmp.dir.Per saperne di più, vedi Proprietà dei cluster. |
--vpc-network-tags |
(Facoltativo) Un elenco di tag di rete da applicare al job. |
--vpc-network-name |
(Facoltativo) La rete Virtual Private Cloud in cui viene eseguito il job. Per impostazione predefinita, Dataplex utilizza la rete VPC denominata Default all'interno del progetto. Devi utilizzarne solo uno tra --vpc-network-name o --vpc-sub-network-name.
|
--vpc-sub-network-name |
(Facoltativo) La subnet VPC in cui viene eseguito il job.
Devi usarne solo uno tra --vpc-sub-network-name
o --vpc-network-name.
|
--trigger-type |
Tipo di attivatore dell'attività specificata dall'utente. I valori devono essere uno dei seguenti:ON_DEMAND - L'attività viene eseguita una volta subito dopo la sua creazione.RECURRING - L'attività viene eseguita periodicamente in base a una pianificazione.
|
--trigger-start-time |
(Facoltativo) L'ora della prima esecuzione dell'attività. Il formato
è "{year}-{month}-{day}T{hour}:{min}:{sec}Z", dove il fuso orario è
UTC. Ad esempio, "2017-01-15T01:30:00Z" codifica le ore 01:30 UTC del
15 gennaio 2017. Se questo valore non è specificato, l'attività verrà eseguita
dopo l'invio se il tipo di trigger è ON_DEMAND o
nella pianificazione specificata se il tipo di trigger è
RECURRING.
|
--trigger-disabled |
(Facoltativo) Impedisce l'esecuzione dell'attività. Questo parametro non
annulla le attività già in esecuzione, ma disabilita temporaneamente quelle
RECURRING.
|
--trigger-max-retires |
(Facoltativo) Il numero di nuovi tentativi prima dell'interruzione. Imposta il valore su zero per non tentare mai di riprovare un'attività non riuscita. |
--trigger-schedule |
Pianifica la frequenza per l'esecuzione periodica di attività. |
--description |
(Facoltativo) Descrizione dell'attività. |
--display-name |
(Facoltativo) Nome visualizzato dell'attività. |
--labels |
(Facoltativo) Elenco di coppie di etichette KEY=VALUE da aggiungere. |
--execution-args |
(Facoltativo) Gli argomenti da passare all'attività. Gli argomenti possono essere una combinazione di
coppie chiave-valore. Puoi passare un elenco di coppie chiave-valore separato da virgole come argomenti di esecuzione. Per trasmettere argomenti posizionali, imposta la chiave su
TASK_ARGS e imposta il valore su una stringa separata da virgole di
tutti gli argomenti posizionali. Per utilizzare un delimitatore diverso da una virgola, fai riferimento alla sezione sull'escape.Nel caso in cui key-value e gli argomenti posizionali vengano passati insieme, verrà passato TASK_ARGS come ultimo argomento.
|
--execution-service-account |
Account di servizio da utilizzare per eseguire un'attività. |
--max-job-execution-lifetime |
(Facoltativo) La durata massima prima della scadenza dell'esecuzione del job. |
--container-image |
(Facoltativo) Immagine del container personalizzata per l'ambiente di runtime del job. Se non specificata, verrà utilizzata un'immagine container predefinita. |
--kms-key |
(Facoltativo) La chiave Cloud KMS da utilizzare per la crittografia, nel formato:projects/{project_number}/locations/{location_id}/keyRings/{key-ring-name}/cryptoKeys/{key-name}
|
Esempio 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>
Esempio di 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
Per creare un'attività, utilizza Explorer API.
Pianifica un'attività Spark SQL
gcloud
Per pianificare un'attività Spark SQL, esegui lo stesso comando gcloud CLI dell'attività Spark (Java o Python), con i seguenti parametri aggiuntivi:
| Parametro | Descrizione |
|---|---|
--spark-sql-script |
Il testo della query SQL. È obbligatorio specificare spark-sql-script o
spark-sql-script-file. |
--spark-sql-script-file |
Un riferimento a un file di query. Questo valore può essere l'URI Cloud Storage del file di query o il percorso dei contenuti dello script SQL.
È obbligatorio specificare spark-sql-script o
spark-sql-script-file. |
--execution-args |
Per le attività SQL di Spark, i seguenti argomenti sono obbligatori e devono essere passati come argomenti di posizionamento:--output_location, <GCS uri of the output directory>--output_format, <output file format>.I formati supportati sono file CSV, file 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
Per creare un'attività, utilizza Explorer API.
Monitorare l'attività
Console
Nella console Google Cloud, vai alla pagina Dataplex:
Vai alla visualizzazione Process (Procedura).
Nella scheda Attività è presente un elenco di attività, filtrate in base ai tipi di modelli.
Nella colonna Nome, fai clic sull'attività da visualizzare.
Fai clic sull'ID job dell'attività da visualizzare.
La pagina Dataproc si apre nella console Google Cloud, in cui puoi visualizzare i dettagli del monitoraggio e dell'output.
gcloud
La seguente tabella elenca i comandi gcloud CLI per il monitoraggio delle attività.
| Azione | Comando gcloud CLI |
|---|---|
| Elenco attività | gcloud dataplex tasks list --project=<project-name> --location=<location> --lake=<lake-id> |
| Visualizzazione dei dettagli dell'attività | gcloud dataplex tasks describe --project=<project-name> --location=<location> --lake=<lake-id> <task-id> |
| Elenco dei job di un'attività | gcloud dataplex tasks jobs list --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> |
| Visualizzazione dei dettagli del job | gcloud dataplex tasks jobs describe --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id> |
Dataplex esegue job su Dataproc serverless. Per visualizzare i log di esecuzione di un job Dataplex, segui questi passaggi:
Recupera l'ID job Dataproc Serverless (Batch). Esegui questo comando:
gcloud dataplex tasks jobs describe --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id>Visualizza i log. Esegui questo comando, utilizzando l'ID job ottenuto dall'esecuzione del comando precedente:
gcloud beta dataproc batches wait --project=<project-name> --region=<location> <job-id>
REST
Gestisci il programma
Nella console Google Cloud, all'interno di Dataplex, puoi modificare la pianificazione di un'attività, eliminare un'attività o annullare un job in corso. La seguente tabella elenca i comandi gcloud CLI per queste azioni.
| Azione | Comando gcloud CLI |
|---|---|
| Modifica pianificazione delle attività | gcloud dataplex tasks update --project=<project-name> --location=<location> --lake=<lake-id> --trigger-schedule=<updated-schedule> <task-id> |
| Eliminare un'attività | gcloud dataplex tasks delete --project=<project-name> --location=<location> --lake=<lake-id> <task-id> |
| Annulla un job | gcloud dataplex tasks jobs cancel --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id> |
Passaggi successivi
- Consulta i modelli Dataproc.
- Prova un modello predefinito per spostare i dati in modo incrementale dagli asset Cloud Storage di Dataplex a BigQuery.
- Vedi Configurare avvisi e notifiche per le attività Dataplex.