La planification de scripts et de notebooks SQL vous permet d'opérationnaliser les ressources que vous avez créée dans l'atelier de travail "Exploration de données" (Explorer).
La programmation d'un script SQL ou d'un notebook crée une tâche Dataplex qui s'exécute à une heure prédéterminée, une fois ou de manière récurrente. À chaque exécution, un job est créé qui capture les métadonnées d'exécution, telles que les heures de début et de fin de l'exécution, l'état, les journaux et les résultats générés.
Lorsqu'une exécution est déclenchée pour un script SQL planifié ou un notebook, la version actuelle du notebook ou du script SQL est exécuté. Cela signifie que si vous planifiez un notebook ou du script SQL, puis mettez à jour son contenu, la mise à jour est également reflétée dans le des exécutions planifiées du notebook ou du script SQL.
Coûts
Les scripts SQL programmés et les notebooks programmés déclenchent l'exécution des jobs à l'aide de Dataproc sans serveur. L'utilisation est facturée en fonction du modèle de tarification et des frais appliqués à Dataproc. apparaissent sous "Dataproc" au lieu de "Dataplex".
Avant de commencer
Examinez et remplissez les conditions préalables décrites dans les documents suivants:
- Section Avant de commencer de Utiliser l'outil d'exploration de données
La section Avant de commencer de l'article Planifier des tâches Spark et SparkSQL personnalisées
Si un script SQL ou une programmation de notebook utilisent l'API BigQuery, vous devez accorder
le rôle Consommateur d'utilisation du service (roles/serviceusage.serviceUsageConsumer
).
Limitations connues
Lorsque vous planifiez un notebook à l'aide de la console Google Cloud, des packages Python supplémentaires configurés dans l'environnement sélectionné ne seront pas disponibles au moment de l'exécution pour le notebook programmé. Pour les rendre disponibles au moment de l'exécution, vous devez créer une programmation de notebook faisant référence à avec les packages supplémentaires requis. Pour en savoir plus, consultez Planifier des notebooks avec des packages personnalisés.
Utiliser la console Google Cloud pour référencer un conteneur personnalisé lorsque la planification de notebooks n'est pas prise en charge. Utilisez plutôt la gcloud CLI.
Une fois la planification créée, vous ne pouvez plus la modifier. Pour mettre à jour les paramètres de planification, vous devez recréer la planification avec de nouveaux paramètres.
Vous ne pouvez pas définir une version spécifique d'un script ou d'un notebook SQL à utiliser dans un calendrier. Lorsque la planification est déclenchée, la version actuelle du script SQL ou du notebook est utilisée.
Lorsque vous planifiez des scripts et des notebooks SQL à l'aide de la console Google Cloud, le sous-réseau par défaut est utilisé. Pour spécifier un autre réseau ou un sous-réseau, utilisez la gcloud CLI.
Consultez également les limites connues de l'exploration.
Créer et gérer des planifications pour des scripts SQL
Configuration de l'environnement d'exécution pour les scripts SQL planifiés
Lorsqu'un script SQL est planifié, il s'exécute en tant que tâche Dataplex. Lorsqu'une planification est créée à l'aide de la console Google Cloud, les paramètres d'exécution de tâche correspondants pour le langage SQL planifié les scripts sont hérités de l'environnement de ce script SQL en fonction du le mappage suivant:
Paramètre de configuration de l'environnement | Paramètre de configuration des tâches de script SQL planifiées |
---|---|
Taille du disque principal | Image du conteneur / Propriétés: spark.dataproc.driver.disk.size spark.dataproc.executor.disk.size |
Nombre de nœuds | Nombre de lots / exécuteurs |
Nombre maximal de nœuds | Nombre d'exécuteurs par lot / nombre maximal |
Version de l'image | Non hérité |
Fichiers JAR | Image du conteneur / JARS Java |
Packages Python | Non hérité |
Propriétés supplémentaires | Image du conteneur / Propriétés |
Planifier un script SQL
Console
Dans la console Google Cloud, accédez à la page Explorer de Dataplex.
Sélectionnez un script SQL que vous souhaitez planifier, soit en sélectionnant un seul à partir de la liste Scripts SQL Spark ou en ouvrant un script SQL dans l'éditeur SQL Spark.
Dans le menu Programmation, cliquez sur Créer un calendrier.
Dans le champ Nom de la planification, saisissez un nom pour l'instance programmée.
Dans la section Schedule Options (Options de programmation), indiquez si vous souhaitez exécuter le script SQL. une seule fois ou de façon récurrente:
Si vous sélectionnez Exécuter une fois, indiquez si vous souhaitez exécuter le script SQL immédiatement. ou à une heure planifiée, à l'aide des options du menu Démarrer. Pour une exécution planifiée, indiquer la date de début et l'heure d'exécution.
Si vous sélectionnez Répéter, indiquez si vous souhaitez exécuter le script SQL une fois par jour, par semaine mensuellement, ou selon un calendrier personnalisé spécifié à l'aide d'une expression Cron. En outre, spécifier la date de début et l'heure d'exécution de l'exécution planifiée initiale.
Dans la section Destination des résultats, procédez comme suit:
Dans le champ Nom du dossier de sortie, cliquez sur Parcourir, puis sélectionnez un dossier dans un Bucket Cloud Storage dans lequel vous souhaitez stocker les résultats du script.
Cliquez sur Sélectionner.
Sélectionnez le format de sortie du script. Les formats acceptés sont CSV, JSON, ORC et Parquet.
Dans la section Identifiants du script planifié, sélectionnez un compte de service dans le menu Compte de service utilisateur.
Cliquez sur Schedule (Programmer).
gcloud
Pour en savoir plus sur la planification de scripts SQL à l'aide de la gcloud CLI, consultez la page Planifiez une tâche SparkSQL.
REST
Utilisez APIs Explorer pour créer une tâche.
Gérer les programmations de scripts SQL
Console
Ouvrir la liste de toutes les programmations de scripts SQL
Dans la console Google Cloud, accédez à la page Processus de Dataplex.
Cliquez sur l'onglet Requêtes programmées pour afficher la liste des programmations de scripts SQL.
Ouvrir la liste de toutes les planifications pour un script SQL spécifique
Dans la console Google Cloud, accédez à la page Explorer de Dataplex.
Sélectionnez le script SQL requis.
Dans le menu Planning, cliquez sur Afficher les calendriers.
L'onglet Requêtes programmées s'ouvre avec une liste de planifications de scripts SQL filtrées. par le script SQL sélectionné.
Afficher les détails d'une planification de script SQL
Accédez à l'onglet Requêtes programmées et sélectionnez la programmation SQL requise.
Cliquez sur l'onglet Détails pour afficher les détails de la planification du script SQL et une Aperçu du contenu du script SQL planifié
Activer et désactiver une planification de script SQL
Accédez à l'onglet Requêtes programmées et sélectionnez la programmation SQL requise.
Cliquez sur Désactiver pour désactiver une planification de script SQL active.
Cliquez sur Activer pour activer une planification de script SQL inactif.
Supprimer une programmation de script SQL existante
Accédez à l'onglet Requêtes programmées et sélectionnez la programmation SQL requise.
Cliquez sur Supprimer pour supprimer définitivement une programmation de script SQL existante.
Afficher les journaux et gérer une planification de script SQL
Accédez à l'onglet Requêtes programmées et sélectionnez la programmation SQL requise.
Cliquez sur l'onglet Jobs (Tâches), puis sur l'ID de tâche de la requête SQL planifiée. que vous souhaitez consulter.
Cliquez sur Afficher les journaux pour afficher les journaux associés au code SQL planifié sélectionné. exécuté dans Cloud Logging.
Cliquez sur l'ID de lot Dataproc pour ouvrir la page Dataproc dans la console Google Cloud. Accédez aux détails de la session sans serveur Dataproc correspondante.
Cliquez sur Gérer dans Cloud Storage à côté du libellé Résultat pour ouvrir la page Cloud Storage. dans la console Google Cloud. Accéder aux détails de l'espace de stockage Cloud Storage correspondant bucket contenant le résultat de l'exécution du script SQL.
gcloud
Pour en savoir plus sur la surveillance des scripts SQL planifiés à l'aide de gcloud CLI, consultez l'onglet gcloud dans Surveiller vos tâches.
Pour en savoir plus sur la gestion des scripts SQL planifiés à l'aide de gcloud CLI, consultez l'onglet gcloud dans Gérer la planification.
REST
Pour en savoir plus sur la surveillance des scripts SQL planifiés à l'aide de REST, consultez l'onglet REST dans Surveiller votre tâche
Pour en savoir plus sur la gestion des scripts SQL programmés à l'aide de REST, consultez l'onglet REST dans Gérer la planification.
Résultat d'un script SQL planifié
Le résultat de chaque exécution d'un script SQL planifié est stocké à l'emplacement que vous spécifiez pour le dossier Cloud Storage, selon la structure suivante:
CLOUD_STORAGE_FOLDER_LOCATION/projects/PROJECT_ID/locations/LOCATION_ID/lakes/LAKE_ID/tasks/TASK_ID/JOB_ID/QUERY_NUMBER
Créer et gérer des planifications pour les notebooks
Configuration de l'environnement d'exécution pour les notebooks programmés
Lorsqu'un notebook est planifié, il s'exécute en tant que tâche Dataplex. Lorsqu'une planification est créée à l'aide de la console Google Cloud, l'environnement d'exécution de la tâche correspondant Les paramètres des notebooks programmés sont hérités de l'environnement de ce notebook en fonction du mappage suivant:
Paramètre de configuration de l'environnement | Paramètre de configuration des tâches de notebook planifiées |
---|---|
Taille du disque principal | Image du conteneur / Propriétés: spark.dataproc.driver.disk.size spark.dataproc.executor.disk.size |
Nombre de nœuds | Nombre de lots / exécuteurs |
Nombre maximal de nœuds | Nombre d'exécuteurs par lot / nombre maximal |
Version de l'image | Non hérité |
Fichiers JAR | Image du conteneur / JARS Java |
Packages Python | Non hérité |
Propriétés supplémentaires | Image du conteneur / Propriétés |
Planifier des notebooks avec des packages personnalisés
Pour les notebooks interactifs, lors de la configuration d'un environnement, Dataplex vous permet de spécifier des packages Python personnalisés à installer de sessions utilisateur provisionnées pour l'environnement. Lorsqu'un tel notebook est programmé, les packages Python personnalisés configurés dans son environnement ne sont pas disponibles au moment de l'exécution pour et que l'environnement d'exécution par défaut ne contient que les composants de la version d'exécution 1.0 de Dataproc sans serveur Spark. Pour que les packages Python personnalisés soient disponibles au moment de l'exécution pour les notebooks programmés, fournir une image de conteneur personnalisé avec les packages personnalisés nécessaires ;
Spécifier une image de conteneur personnalisé lors de la planification d'un notebook à l'aide de la console Google Cloud n'est pas pris en charge. Utilisez plutôt la gcloud CLI. Pour plus plus d'informations, consultez la section Planifier un notebook.
Si vous planifiez un notebook avec un environnement avec des packages personnalisés configurés, vous obtenez l'avertissement suivant:
Selected environmenthas additional Python packages configured. These packages will not be available in the default runtime for the scheduled notebook when scheduling in the Console. To make the required additional Python packages available in the runtime, please create Notebook Schedule using gcloud command instead, referencing a container image with required additional packages.
Créer une image de conteneur personnalisé pour les notebooks programmés
Pour savoir comment établir une image de conteneur pour les notebooks programmés, et installer les packages Python personnalisés requis dans le fichier Docker de l'image de conteneur, consultez Créez une image de conteneur personnalisé pour Dataproc sans serveur pour Spark.
Assurez-vous d'avoir installé les packages Conda suivants dans l'image de conteneur:
gcsfs
google-cloud-bigquery
google-cloud-storage
google-auth
ipykernel
papermill
Pour installer les composants gcloud
dans une image de conteneur, ouvrez le fichier Docker de l'image de conteneur.
et procédez comme suit:
Ajoutez le package
google-cloud-sdk
à la liste des packages Conda à installer.Ajoutez les lignes suivantes après l'étape d'installation des packages Conda:
# (Optional) Installing gcloud components RUN gcloud components install alpha beta bq gsutil
Planifier un notebook
Console
Dans la console Google Cloud, accédez à la page Explorer de Dataplex.
Sélectionnez un notebook que vous souhaitez planifier, soit en sélectionnant un seul notebook dans la vue Notebooks ou en ouvrant un notebook dans sa page d'informations.
Dans le menu Programmation, cliquez sur Créer un calendrier.
Dans le champ Nom de la planification, saisissez un nom pour l'instance programmée.
Dans la section Schedule Options (Options de programmation), indiquez si vous souhaitez exécuter le notebook. une seule fois ou de façon récurrente:
Si vous sélectionnez Exécuter une fois, indiquez si vous souhaitez exécuter le notebook immédiatement ou à une heure planifiée, à l'aide des options du menu Démarrer. Pour une exécution planifiée, indiquer la date de début et l'heure d'exécution.
Si vous sélectionnez Répéter, indiquez si vous souhaitez exécuter le notebook tous les jours, toutes les semaines, mensuellement, ou selon un calendrier personnalisé spécifié à l'aide d'une expression Cron. De plus, spécifiez la date de début et l'heure d'exécution de l'exécution planifiée initiale.
Dans la section Destination pour les résultats, choisissez l'emplacement souhaitez que la sortie du notebook soit stockée:
Dans le champ Nom du dossier de sortie, cliquez sur Parcourir et sélectionnez un dossier du bucket Cloud Storage dans lequel vous que la sortie du notebook soit stockée.
Cliquez sur Sélectionner.
Sélectionnez le format de sortie du script. Les formats acceptés sont CSV, JSON, ORC et Parquet.
Dans la section Identifiants du notebook planifié, sélectionnez un compte de service dans le menu Compte de service utilisateur.
Dans la section Paramètres, ajoutez les paramètres d'exécution du notebook en tant que clé-valeur. en cliquant sur Ajouter.
Cliquez sur Schedule (Programmer).
gcloud
Exécutez la commande gcloud CLI décrite dans Planifier une tâche Spark (Java ou Python). avec les paramètres supplémentaires suivants:
Paramètre | Description |
---|---|
--notebook
|
Chemin d'accès au contenu du notebook d'entrée. Les arguments d'exécution sont accessibles
variables d'environnement. Par exemple, TASK_key=value . Remarque : : Dans la documentation de référence gcloud sur la planification des notebooks en tant que tâches, il s'agit
mentionné que la valeur du paramètre --notebook peut être l'URI Cloud Storage de
le fichier notebook. Cela n'est pas pris en charge. Vous ne devez spécifier que le chemin d'accès au notebook
Contenu du paramètre --notebook . |
--notebook-archive-uris
|
URI Cloud Storage des archives à extraire dans le répertoire de travail de chaque
exécuteur. Les types de fichiers compatibles sont JAR , tar , tar.gz , tgz et zip . |
--notebook-file-uris |
URI Cloud Storage des fichiers à placer dans le répertoire de travail de chaque exécuteur. |
Ressources de calcul nécessaires pour une tâche lors de l'utilisation de Dataproc sans serveur | |
--notebook-batch-executors-count |
Nombre d'exécuteurs de tâches. |
--notebook-batch-max-executors-count
|
Nombre maximal d'exécuteurs configurables. Si notebook-batch-max-executors-count est supérieur à notebook-batch-executors-count ,
l'autoscaling est activé. |
Configuration de l'environnement d'exécution des images de conteneurs | |
--notebook-container-image |
Facultatif: Image de conteneur personnalisé pour le job. |
--notebook-container-image-java-jars
|
Liste de fichiers JAR Java à ajouter au chemin de classe. Les entrées valides incluent les URI Cloud Storage permettant
Binaires JAR. Par exemple, gs ://BUCKET_NAME/my/path/to/file.jar . |
--notebook-container-image-properties
|
Propriétés à définir sur les fichiers de configuration du daemon. Les clés de propriété sont spécifiées au format prefix :property . Par exemple: core :hadoop.tmp.dir . Pour en savoir plus, consultez Propriétés du cluster. |
Réseau VPC Google Cloud utilisé pour exécuter l'infrastructure | |
--notebook-vpc-network-tags |
Liste des tags réseau à appliquer à la tâche. |
Identifiant du réseau VPC Cloud. Vous pouvez spécifier au maximum l'un des éléments suivants. | |
--notebook-vpc-network-name
|
Réseau VPC Cloud dans lequel le job s'exécute. Par défaut, le réseau VPC Cloud nommé La valeur par défaut dans le projet est utilisée. |
--notebook-vpc-sub-network-name |
Sous-réseau VPC Cloud dans lequel le job s'exécute. |
Emplacement des sorties du notebook | |
--execution-args
|
Pour les tâches de notebook, l'argument suivant est obligatoire
doit être transmis en tant que TASK_ARGS . |
--execution-args=^::^TASK_ARGS="--output_location,CLOUD_STORAGE_URI_OF_OUTPUT_DIRECTORY" |
Voici un exemple de commande gcloud
utilisée pour programmer des notebooks:
gcloud dataplex tasks create sample-task --project=sample-project --location=us-central1 --lake=my-lake --trigger-type=ON_DEMAND --notebook="projects/my-project-id/locations/us-central1/lakes/my-lake/content/my-notebook.ipynb" --execution-service-account=associated-service-account@sample-project.iam.gserviceaccount.com --execution-args=^::^TASK_ARGS="--output_location,gs://my-bucket/Demo" --notebook-batch-executors-count=2 --notebook-batch-max-executors-count=5 --notebook-container-image=container-image --notebook-container-image-java-jars=java-jar1,java-jar-2
REST
Utilisez APIs Explorer pour créer une tâche.
Gérer les programmations de notebooks
Console
Ouvrir la liste de toutes les planifications de notebook
Dans la console Google Cloud, accédez à la page Processus de Dataplex.
Cliquez sur l'onglet Notebooks programmés pour afficher la liste des programmations de scripts SQL.
Ouvrir la liste de toutes les planifications pour un notebook spécifique
Dans la console Google Cloud, accédez à la page Explorer de Dataplex.
Sélectionnez le notebook requis.
Dans le menu Planning, cliquez sur Afficher les calendriers.
L'onglet Requêtes programmées s'ouvre et affiche la liste des planifications de notebooks filtrées. par le notebook sélectionné.
Afficher les détails d'une planification de notebook
Accédez à l'onglet Notebooks programmés, puis sélectionnez la programmation de notebook requise.
Cliquez sur les détails Détails de la planification de notebook et affichez un aperçu du contenu du notebook planifié.
Activer et désactiver une programmation de notebook
Accédez à l'onglet Notebook programmé, puis sélectionnez la programmation de notebook requise.
Cliquez sur Désactiver pour désactiver une programmation de notebook active.
Cliquez sur Activer pour activer une programmation de notebook inactive.
Supprimer une programmation de notebook existante
Accédez à l'onglet Notebook programmé, puis sélectionnez la programmation de notebook requise.
Cliquez sur Supprimer pour supprimer définitivement une programmation de notebook existante.
Afficher les journaux et gérer une programmation de notebook
Accédez à l'onglet Notebook programmé, puis sélectionnez la programmation de notebook requise.
Cliquez sur l'onglet Jobs (Tâches), puis sur l'ID de tâche de l'exécution de notebook planifiée que vous souhaitez afficher.
Dans la section Preview Output (Sortie de l'aperçu), examinez le résultat de l'exécution du notebook.
Cliquez sur Afficher les journaux pour consulter les journaux liés à l'exécution du notebook planifié sélectionné dans Cloud Logging.
Cliquez sur l'ID de lot Dataproc pour ouvrir la page Dataproc dans la console Google Cloud. Accédez aux détails de la session sans serveur Dataproc correspondante.
Cliquez sur Gérer dans Cloud Storage à côté du libellé Résultat pour ouvrir la page Cloud Storage. dans la console Google Cloud. Accéder aux détails de l'espace de stockage Cloud Storage correspondant bucket contenant le résultat de l'exécution du notebook.
gcloud
Pour en savoir plus sur la surveillance des notebooks programmés à l'aide de la gcloud CLI, consultez l'onglet gcloud dans Surveiller vos tâches.
Pour en savoir plus sur la gestion des notebooks programmés à l'aide de la gcloud CLI, consultez l'onglet gcloud dans Gérer la planification.
REST
Pour en savoir plus sur la surveillance des notebooks programmés à l'aide de REST, consultez l'onglet REST dans Surveiller votre tâche
Pour en savoir plus sur la gestion des notebooks programmés à l'aide de REST, consultez l'onglet REST dans Gérer la planification.
Résultat d'un notebook programmé
Le résultat de chaque exécution d'un notebook programmé est stocké à l'emplacement que vous spécifiez pour le dossier Cloud Storage, selon la structure suivante:
CLOUD_STORAGE_FOLDER_LOCATION/projects/PROJECT_ID/locations/LOCATION_ID/lakes/LAKE_ID/tasks/TASK_ID/JOB_ID/QUERY_NUMBER
Étape suivante
- Planifiez des tâches Spark et SparkSQL personnalisées.
- Configurez des alertes et des notifications pour les tâches Dataplex.