Pianifica attività Spark e Spark SQL personalizzate

Dataplex supporta la pianificazione dell'esecuzione di codice personalizzato come esecuzione singola, in base a una pianificazione regolare o on demand. La funzionalità On demand è in anteprima ed è disponibile solo tramite API. Puoi pianificare le trasformazioni dei dati dei clienti utilizzando Spark (Java), PySpark (limitato alla versione 3.2 di Spark) o Spark SQL. Dataplex esegue il codice utilizzando l'elaborazione Spark serverless e un programmatore serverless integrato.

Terminologia

Attività
Un'attività Dataplex rappresenta il lavoro che vuoi che Dataplex esegua 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 essere eseguita ogni giorno, 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 attivatori di esecuzione dei job:

  • RUN_REQUEST: indica che il job è stato eseguito a causa della chiamata all'APIRunTask.

  • TASK_CONFIG: indica che il job è stato eseguito a causa della configurazione TriggerSpec dell'attività.

Modalità di pianificazione

Dataplex supporta le seguenti modalità di pianificazione:

Esegui una volta
Utilizza questa modalità per eseguire l'attività una sola volta. Puoi scegliere di eseguirla subito o in un momento prestabilito in futuro. Se esegui l'attività subito, potrebbero essere necessari fino a due minuti prima che inizi l'esecuzione.
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 un'attività creata in precedenza su richiesta. La modalità di esecuzione on demand è supportata solo dall'API RunTask. Quando il job viene eseguito su richiesta, Dataplex utilizza i parametri esistenti per creare un job. Puoi specificare gli argomenti ExecutionSpec e le etichette per eseguire il job.

Prima di iniziare

  1. Abilitare l'API Dataproc.

    Abilita l'API Dataproc

  2. 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.

  3. 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 fase di elaborazione.

    • L'autorizzazione Ruolo utente Dataproc nel 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 Cloud Storage sul bucket in cui vengono scritti i risultati.

    • Per pianificare ed eseguire attività Spark SQL e Spark personalizzate, devi disporre dei ruoli IAM Dataplex Metadata Reader (roles/dataplex.metadataReader), Dataplex Viewer (roles/dataplex.viewer) e Dataproc Metastore Metadata User (roles/metastore.metadataUser) per il tuo account di servizio.

  4. 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.

  5. Concedi all'account di servizio del lago Dataplex le autorizzazioni per utilizzare l'account di servizio. Puoi trovare l'account del servizio lake Dataplex nella pagina Dettagli lake della console Google Cloud.

  6. Se il progetto contenente 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 nel progetto in cui esegui l'attività.

  7. Posiziona gli elementi del codice richiesti (file JAR, Python o script SQL) o i file archiviati (.jar, .tar, .tar.gz, .tgz, .zip) in un percorso Cloud Storage.

  8. Assicurati che l'account di servizio disponga dell'autorizzazione storage.objects.get obbligatoria per il bucket Cloud Storage in cui sono archiviati questi elementi del codice.

Pianificare un'attività Spark (Java o Python)

Console

  1. Nella console Google Cloud, vai alla pagina Dataplex.

    Vai a Dataplex

  2. Vai alla visualizzazione Procedura.

  3. Fai clic su Crea attività.

  4. In Crea attività Spark personalizzata, fai clic su Crea attività.

  5. Scegli un lake Dataplex.

  6. Specifica un nome per l'attività.

  7. Crea un ID per l'attività.

  8. Nella sezione Configurazione attività, per Tipo, seleziona Spark o PySpark.

  9. Inserisci gli argomenti pertinenti.

  10. Nel campo Account di servizio, inserisci un account di servizio utente con cui può essere eseguita l'attività Spark personalizzata.

  11. Fai clic su Continua.

  12. (Facoltativo) Imposta pianificazione: seleziona Esegui una volta o Ripeti. Compila i campi obbligatori.

  13. Fai clic su Continua.

  14. (Facoltativo) Personalizza le risorse e Aggiungi impostazioni aggiuntive.

  15. Fai clic su Crea.

gcloud

Puoi pianificare un'attività Spark (Java / Python) utilizzando il comando gcloud CLI. La tabella seguente elenca i parametri obbligatori e facoltativi da utilizzare:

Parametro Descrizione
--lake L'ID del lake per la risorsa lake del servizio Dataplex.
--location La posizione del servizio Dataplex.
--spark-main-class La classe principale del driver. Il file jar che contiene il corso deve trovarsi nella cartella CLASSPATH predefinita.
--spark-main-jar-file-uri L'URI Cloud Storage del file jar contenente la classe principale.
--spark-archive-uris (Facoltativo) URI Cloud Storage degli archivi da estrarre nella directory di lavoro di ciascun 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 ciascun esecutore.
--batch-executors-count (Facoltativo) Il numero totale di esecutori 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 maggiore di batch-executors-count, Dataplex attiva la scalabilità automatica.
--container-image-java-jars (Facoltativo) Un elenco di JAR Java da aggiungere al percorso di classe. L'input valido include gli URI Cloud Storage per i file JAR binari.
Ad esempio, gs://bucket-name/my/path/to/file.jar.
--container-image-properties (Facoltativo) Chiavi delle proprietà, specificate in un formato prefix:property.
Ad esempio, core:hadoop.tmp.dir.
Per ulteriori informazioni, consulta Proprietà del 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 utilizzare solo uno tra --vpc-network-name o --vpc-sub-network-name.
--vpc-sub-network-name (Facoltativo) La subnet del VPC in cui viene eseguito il job.
Devi utilizzare solo una delle opzioni --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 poco 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 01:30 UTC il 15 gennaio 2017. Se questo valore non è specificato, l'attività verrà eseguita dopo l'invio se il tipo di attivatore è ON_DEMAND o secondo la pianificazione specificata se il tipo di attivatore è RECURRING.
--trigger-disabled (Facoltativo) Impedisce l'esecuzione dell'attività. Questo parametro non annulla le attività già in esecuzione, ma disattiva temporaneamente le attività RECURRING.
--trigger-max-retires (Facoltativo) Il numero di tentativi di ripetizione prima dell'interruzione. Imposta il valore su zero per non tentare mai di ripetere un'attività non riuscita.
--trigger-schedule Pianificazione di cron per eseguire periodicamente le 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 un insieme di coppie chiave-valore. Puoi passare un elenco separato da virgole di coppie chiave-valore come argomenti di esecuzione. Per passare gli argomenti posizionali, imposta la chiave su TASK_ARGS e il valore su una stringa separata da virgole di tutti gli argomenti posizionali. Per utilizzare un delimitatore diverso da una virgola, consulta la sezione relativa alla escaping.
Se key-value e gli argomenti posizionali vengono passati insieme, TASK_ARGS verrà passato 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 contenitore personalizzato per l'ambiente di runtime del job. Se non viene specificato, verrà utilizzata un'immagine contenitore 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.

Pianificare un'attività Spark SQL

gcloud

Per pianificare un'attività Spark SQL, esegui lo stesso comando gcloud CLI indicato nell'articolo Pianificare un'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 Spark SQL, i seguenti argomenti sono obbligatori e devono essere passati come argomenti posizionali:
--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.

Monitora l'attività

Console

  1. Nella console Google Cloud, vai alla pagina Dataplex:

    Vai a Dataplex

  2. Vai alla visualizzazione Procedura.

  3. Nella scheda Attività è presente un elenco di attività, filtrato in base ai tipi di modelli di attività.

  4. Nella colonna Nome, fai clic sull'attività che vuoi visualizzare.

  5. Fai clic sull'ID job dell'attività che vuoi visualizzare.

    Nella console Google Cloud si apre la pagina Dataproc che ti consente di visualizzare i dettagli di monitoraggio e di output.

gcloud

La tabella seguente elenca i comandi gcloud CLI per il monitoraggio delle tue attività.

Azione Comando gcloud CLI
Attività di elenco 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 i job su Dataproc Serverless (batch). Per visualizzare i log di esecuzione di un job Dataplex:

  1. Ottieni 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>
    
  2. Visualizza i log. Esegui il seguente comando utilizzando l'ID job ottenuto dall'esecuzione del comando precedente:

    gcloud beta dataproc batches wait --project=<project-name> --region=<location> <job-id>
    

REST

Per get o list una task o un job, usa Explorer API.

Gestire la programmazione

Nella console Google Cloud, in Dataplex puoi modificare la programmazione di un'attività, eliminarla o annullare un job in corso. Nella tabella seguente sono elencati i comandi gcloud CLI per queste azioni.

Azione Comando gcloud CLI
Modificare la 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>
Annullare un job gcloud dataplex tasks jobs cancel --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id>

Passaggi successivi