Configura un servicio multirregional de Dataproc Metastore

En esta página, se muestra cómo configurar un servicio de Dataproc Metastore multirregional. Para obtener más información sobre cómo funcionan los servicios de Dataproc Metastore multirregionales, consulta Regiones de Dataproc Metastore.

Antes de comenzar

Roles obligatorios

A fin de obtener el permiso que necesitas para crear un servicio de Dataproc Metastore multirregional, solicita a tu administrador que te otorgue el los siguientes roles de IAM en tu proyecto, según el principio de privilegio mínimo:

Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.

Este rol predefinido contiene el permiso metastore.services.create, que se requiere para crear un servicio de Metastore de Dataproc multirregional.

También puedes obtener este permiso con roles personalizados o con otros roles predefinidos.

Para obtener más información sobre los roles y permisos específicos de Dataproc Metastore, consulta Administra el acceso con IAM.

Acerca de los servicios multirregionales de Dataproc Metastore

Los servicios multirregionales de Dataproc Metastore almacenan tus datos en dos regiones diferentes y usan las dos regiones para ejecutar tus cargas de trabajo. Por ejemplo: La multirregión nam7 contiene las regiones us-central1 y us-east4.

  • Un servicio de Dataproc Metastore multirregional replica los metadatos en dos regiones y expone los extremos relevantes para acceder a Hive Metastore. Para gRPC, se expone un extremo por región. Para Thrift, se expone un extremo por subred.

  • Un servicio de Dataproc Metastore multirregional proporciona una configuración de clúster de alta disponibilidad (HA) activa/activa. Esta significa que las cargas de trabajo pueden acceder a cualquiera de las regiones cuando ejecutan trabajos. También proporciona un mecanismo de conmutación por error para tu servicio. Por ejemplo, si tu extremo regional principal falla, tus cargas de trabajo se enrutan automáticamente a la región secundaria. Esto ayuda a evitar interrupciones en el procesamiento de seguridad en la nube.

Consideraciones

Las siguientes consideraciones se aplican a los servicios de Dataproc Metastore multirregionales.

Crea un servicio de Dataproc Metastore multirregional

Elige una de las siguientes pestañas para aprender a crear un servicio multirregional con el protocolo de extremo Thrift o gRPC, con un Servicio 2 de Dataproc Metastore.

gRPC

Cuando creas un servicio multirregional que usa el protocolo de extremo de gRPC, puedes no tienes que establecer ninguna configuración de red específica. El protocolo gRPC controla el enrutamiento de red por ti.

Console

  1. En la consola de Google Cloud, ve a Dataproc Metastore. .

    Ir a Dataproc Metastore

  2. En la barra de navegación, haz clic en +Crear.

    Se abrirá el diálogo Create Metastore service.

  3. Selecciona Dataproc Metastore 2.

  4. En la sección Precios y capacidad, selecciona Enterprise Plus - Dual region

  5. Para el Protocolo de extremo, selecciona gRPC.

  6. Para crear y, luego, iniciar el servicio, haz clic en Enviar.

    Tu nuevo servicio de almacén de metadatos aparece en Dataproc Metastore . El estado mostrará Creando hasta que el servicio esté listo para usarse. Cuando esté lista, el estado cambiará a Activa. El aprovisionamiento del servicio puede tardar unos minutos.

gcloud CLI

Para crear un servicio multirregional de Dataproc Metastore, ejecuta el siguiente comando gcloud metastore services create. Este comando crea la versión 3.1.2 de Dataproc Metastore.

gcloud metastore services create SERVICE \
  --location=MULTI_REGION \
{ --instance-size=INSTANCE_SIZE | --scaling-factor=SCALING_FACTOR } \
  --endpoint-protocol=grpc

Reemplaza lo siguiente:

  • SERVICE: Es el nombre de tu Servicio de Dataproc Metastore.
  • MULTI_REGION: Es la multiregión en la que creas tu servicio de Dataproc Metastore.
  • INSTANCE_SIZE: El tamaño de la instancia de tu Dataproc Metastore multirregional. Por ejemplo, small, medium o large. Si especificas un valor para INSTANCE_SIZE, no especifiques un valor para SCALING_FACTOR.
  • SCALING_FACTOR: Es el factor de escalamiento de tu servicio de Dataproc Metastore. Por ejemplo, 0.1. Si especificas un valor para SCALING_FACTOR, no especifiques un valor para INSTANCE_SIZE

Ahorro

Cuando crees un servicio multirregional que use el protocolo de extremo Thrift, debes configurar la subred adecuada. En este caso, para cada red de VPC que uses, debes proporcionar al menos una subred de cada región.

Por ejemplo, para crear la multirregión nam7, debes proporcionar el us-central1 y us-east4 regiones.

Console

  1. En la consola de Google Cloud, ve a Dataproc Metastore. .

    Ir a Dataproc Metastore

  2. En la barra de navegación, haz clic en +Crear.

    Se abrirá el diálogo Create Metastore service.

  3. Selecciona Dataproc Metastore 2.

  4. En la sección Precios y capacidad, selecciona Enterprise Plus: Birregional.

    Para obtener más información, consulta Planes de precios y parámetros de configuración de escalamiento.

  5. En el campo Nombre del servicio, ingresa un nombre único para tu servicio.

    Para obtener información sobre las convenciones de nombres, consulta Convención de nombres de recursos.

  6. Para el Protocolo de extremo, selecciona Thrift.

  7. En Configuración de red, proporciona las subredes que forman la configuración multirregional que elegiste.

  8. Para las opciones de configuración del servicio restantes, usa los valores predeterminados proporcionados.

  9. Para crear y, luego, iniciar el servicio, haz clic en Enviar.

    Tu nuevo servicio de almacén de metadatos aparece en Dataproc Metastore . El estado mostrará Creando hasta que el servicio esté listo para usarse. Cuando esté lista, el estado cambiará a Activa. El aprovisionamiento del servicio puede tardar unos minutos.

gcloud CLI

Para crear un servicio multirregional de Dataproc Metastore, haz lo siguiente: Ejecuta el siguiente comando gcloud metastore services create. Este comando crea la versión 3.1.2 de Dataproc Metastore.

gcloud metastore services create SERVICE \
  --location=MULTI_REGION \
  --consumer-subnetworks="projects/PROJECT_ID/regions/LOCATION1/subnetworks/SUBNET1,projects/PROJECT_ID/regions/LOCATION2/subnetworks/SUBNET2" \
{ --instance-size=INSTANCE_SIZE | --scaling-factor=SCALING_FACTOR } \
  --endpoint-protocol=thrift

O puedes almacenar la configuración de red en un archivo, como se muestra en siguiente comando.

gcloud metastore services create SERVICE \
  --location=MULTI_REGION \
  --network-config-from-file=NETWORK_CONFIG_FROM_FILE
{ --instance-size=INSTANCE_SIZE | --scaling-factor=SCALING_FACTOR } \
  --endpoint-protocol=thrift

Reemplaza lo siguiente:

  • SERVICE: Es el nombre de tu Servicio de Dataproc Metastore.
  • MULTI_REGION: Es la multirregión que estás creando tu servicio de Dataproc Metastore.
  • PROJECT_ID: Es el ID del proyecto de Google Cloud que estás creando tu servicio de Dataproc Metastore.
  • SUBNET1,SUBNET2: Es una lista de subredes que forman una configuración multirregional. Puedes usar el ID, la URL completamente calificada o el nombre relativo de la subred. Puedes especificar hasta seis subredes.
  • LOCATION1,LOCATION2: una lista de ubicaciones que forman una configuración multirregional. Puedes usar el ID de la ubicación. Por ejemplo, para una multirregión nam7, usas us-central1 y us-east4.
  • NETWORK_CONFIG_FROM_FILE: Es la ruta de acceso a un archivo YAML que contiene tu configuración de red.
  • INSTANCE_SIZE: Es el tamaño de la instancia. de tu instancia de Dataproc Metastore multirregional. Por ejemplo, small, medium o large. Si especificas un valor para INSTANCE_SIZE, no especifica un valor para SCALING_FACTOR.
  • SCALING_FACTOR: Es el factor de escalamiento de tu servicio de Dataproc Metastore. Por ejemplo, 0.1. Si especificas un valor para SCALING_FACTOR, no especifiques un valor para INSTANCE_SIZE

REST

Para aprender a crear un servicio de Dataproc Metastore multirregional, sigue las instrucciones para crear un servicio con el Explorador de APIs de Google.

Para configurar un servicio multirregional, proporciona la siguiente información en los objetos Network Config

  "network_config": {
    "consumers": [
        {"subnetwork": "projects/PROJECT_ID/regions/LOCATION/subnetworks/SUBNET1"},
        {"subnetwork": "projects/PROJECT_ID/regions/LOCATION/subnetworks/SUBNET2"}
    ],
    "scaling_config": {
    "scaling_factor": SCALING_FACTOR
    }
  }

Reemplaza lo siguiente:

  • PROJECT_ID: El ID del proyecto de Google Cloud del proyecto que contiene tu servicio de Dataproc Metastore.
  • LOCATION: Es la región de Google Cloud en la que reside tu servicio de Dataproc Metastore.
  • SUBNET1,SUBNET2: una lista de subredes que forman una configuración multirregional. Puedes usar el ID, la URL completamente calificada o el nombre relativo de la subred. Puedes especificar hasta cinco subredes.
  • SCALING_FACTOR: Es el factor de escala que deseas usar para el servicio.

Conecta Dataproc Metastore a un clúster de Dataproc

Elige una de las siguientes pestañas para obtener información sobre cómo conectar una red multirregional Servicio de Dataproc Metastore desde un clúster de Dataproc.

gRPC

Para conectar un clúster de Dataproc, elige la pestaña que corresponde a la versión de Dataproc Metastore que usas.

Dataproc Metastore 3.1.2

  1. Crea las siguientes variables para tu clúster de Dataproc:

    CLUSTER_NAME=CLUSTER_NAME
    PROJECT_ID=PROJECT_ID
    MULTI_REGION=MULTI_REGION
    DATAPROC_IMAGE_VERSION=DATAPROC_IMAGE_VERSION
    PROJECT=PROJECT
    SERVICE_ID=SERVICE_ID

    Reemplaza lo siguiente:

    • CLUSTER_NAME: Es el nombre de tu clúster de Dataproc.
    • PROJECT_ID: Es el proyecto de Google Cloud que contiene tu clúster de Dataproc. Asegúrate de que la subred que usas tenga los permisos adecuados para acceder a este proyecto.
    • MULTI_REGION: Es la región múltiple de Google Cloud en la que deseas crear tu clúster de Dataproc.
    • DATAPROC_IMAGE_VERSION: Es la versión de la imagen de Dataproc que usas con tu servicio de Dataproc Metastore. Debes usar una versión de imagen de 2.0 o una posterior.
    • PROJECT: Es el proyecto que contiene tu Servicio de Dataproc Metastore.
    • SERVICE_ID: Es el ID de servicio de tu servicio de Dataproc Metastore.
  2. Para crear tu clúster, ejecuta el siguiente comando gcloud dataproc clusters create: kubectl. --enable-kerberos es opcional. Incluye esta opción solo si estás usando Kerberos con tu clúster.

    gcloud dataproc clusters create ${CLUSTER_NAME} \
     --project ${PROJECT_ID} \
     --region ${MULTI_REGION} \
     --image-version ${DATAPROC_IMAGE_VERSION} \
     --scopes "https://www.googleapis.com/auth/cloud-platform" \
     --dataproc-metastore projects/${PROJECT}/locations/${MULTI_REGION}/services/${SERVICE_ID} \
    [ --enable-kerberos ]

Dataproc Metastore 2.3.6

  1. Crea las siguientes variables para tu servicio de Dataproc Metastore:

    METASTORE_PROJECT=METASTORE_PROJECT
    METASTORE_ID=METASTORE_ID
    MULTI_REGION=MULTI_REGION
    SUBNET=SUBNET

    Reemplaza lo siguiente:

    • METASTORE_PROJECT: Es el proyecto de Google Cloud. que contiene tu servicio de Dataproc Metastore.
    • METASTORE_ID: Es el ID de servicio de tu servicio de Dataproc Metastore.
    • MULTI_REGION: Es la ubicación multirregional que deseas usar para tu servicio de Dataproc Metastore.
    • SUBNET: Es una de las subredes que estás usando. para tu servicio de Dataproc Metastore. O cualquier subred de la superior de las subredes que se usan para tu servicio.
  2. Crea las siguientes variables para tu clúster de Dataproc:

    CLUSTER_NAME=CLUSTER_NAME
    DATAPROC_PROJECT=DATAPROC_PROJECT
    DATAPROC_REGION=DATAPROC_REGION
    HIVE_VERSION=HIVE_VERSION
    IMAGE_VERSION=r>IMAGE_VERSION

    Reemplaza lo siguiente:

    • CLUSTER_NAME: Es el nombre de tu Dataproc. clúster.
    • DATAPROC_PROJECT: Es el proyecto de Google Cloud que contiene tu clúster de Dataproc. Asegúrate de que la subred a la que estás que usa tiene los permisos adecuados para acceder a este proyecto.
    • DATAPROC_REGION: Es la región de Google Cloud en la que deseas crear tu clúster de Dataproc.
    • HIVE_VERSION: La versión de Hive que usa tu servicio de Dataproc Metastore.
    • IMAGE_VERSION: Es la versión de la imagen de Dataproc que usas con tu servicio de Dataproc Metastore.
      • Para la versión 2.0 de Hive Metastore, usa la versión de imagen 1.5.
      • Para la versión 3.1.2 de Hive Metastore, usa la versión de imagen 2.0.
  3. Recupera el directorio de almacén de tu servicio de Dataproc Metastore y almacénalo en una variable.

    WAREHOUSE_DIR=$(gcloud metastore services describe "${METASTORE_ID}" --project "${METASTORE_PROJECT}" --location "${MULTI_REGION}" --format="get(hiveMetastoreConfig.configOverrides[hive.metastore.warehouse.dir])")
  4. Crear un clúster de Dataproc configurado con un clúster Dataproc Metastore.

    gcloud dataproc clusters create ${CLUSTER_NAME} \
        --project "${DATAPROC_PROJECT}" \
        --region ${DATAPROC_REGION} \
        --scopes "https://www.googleapis.com/auth/cloud-platform" \
        --subnet "${SUBNET}" \
        --optional-components=DOCKER \
        --image-version ${IMAGE_VERSION} \
        --metadata "hive-version=${HIVE_VERSION},dpms-name=${DPMS_NAME}" \
        --properties "hive:hive.metastore.uris=thrift://localhost:9083,hive:hive.metastore.warehouse.dir=${WAREHOUSE_DIR}" \
        --initialization-actions gs://metastore-init-actions/mr-metastore-grpc-proxy/metastore-grpc-proxy.sh

Ahorro

Opción 1: Edita el archivo hive-site.xml

  1. Busca el URI de extremo y el directorio de almacén de tu servicio de Dataproc Metastore. Puedes elige cualquiera de los extremos expuestos.
  2. En la consola de Google Cloud, ve a la página Instancias de VM.
  3. En la lista de instancias de máquina virtual, haz clic en SSH en la fila del nodo principal de Dataproc (.*-m).

    Se abrirá una ventana del navegador en tu directorio principal del nodo.

  4. Abre el archivo /etc/hive/conf/hive-site.xml.

    sudo vim /etc/hive/conf/hive-site.xml
    

    Verás un resultado similar al siguiente:

    <property>
        <name>hive.metastore.uris</name>
        <value>ENDPOINT_URI</value>
    </property>
    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>WAREHOUSE_DIR</value>
    </property>
    

    Reemplaza lo siguiente:

  5. Reinicia HiveServer2:

    sudo systemctl restart hive-server2.service
    

Opción 2: Usa gcloud CLI

Ejecuta la siguiente gcloud CLI gcloud dataproc clusters create kubectl.

  1. Busca el URI del extremo y el directorio del almacén de tu Servicio de Dataproc Metastore. Puedes elige cualquiera de los extremos expuestos.
gcloud dataproc clusters create CLUSTER_NAME \
    --network NETWORK \
    --project PROJECT_ID \
    --scopes "https://www.googleapis.com/auth/cloud-platform" \
    --image-version IMAGE_VERSION \
    --properties "hive:hive.metastore.uris=ENDPOINT,hive:hive.metastore.warehouse.dir=WAREHOUSE_DIR"

Reemplaza lo siguiente:

  • CLUSTER_NAME: Es el nombre de tu clúster de Dataproc.
  • NETWORK: Es el proyecto de Google Cloud que contiene tu clúster de Dataproc. Asegúrate de que la subred que usas tenga los permisos adecuados para acceder a este proyecto.
  • PROJECT_ID: Es la versión de Hive que usa el servicio Dataproc Metastore.
  • IMAGE_VERSION: Es la versión de la imagen de Dataproc que usas con tu servicio de Dataproc Metastore.
    • Para la versión 2.0 de Hive Metastore, usa la versión de imagen 1.5.
    • Para la versión 3.1.2 de Hive Metastore, usa la versión de imagen 2.0.
  • ENDPOINT: Es el extremo de Thrift que usa tu Dataproc Metastore.
  • WAREHOUSE_DIR: Es el directorio del almacén de tu Dataproc Metastore.

Configuraciones de regiones personalizadas

Puedes configurar los servicios de Dataproc Metastore para usar una configuración de región personalizada.

Una configuración de región personalizada permite que tu servicio ejecute cargas de trabajo de dos regiones distintas. Esto proporciona redundancia en las regiones, lo que significa que las cargas de trabajo pueden acceder a cualquiera de ellas cuando se ejecutan trabajos. También proporciona un mecanismo de conmutación por error para tu servicio. Por ejemplo, si uno de los extremos regionales falla, su las cargas de trabajo se enrutan automáticamente a la otra región. Esto ayuda a evitar interrupciones en tus cargas de trabajo y trabajos.

Las configuraciones de regiones personalizadas también te permiten controlar dónde almacenas los metadatos y dónde exponer tus extremos de Hive Metastore. Esto puede mejorar el rendimiento cuando se procesan cargas de trabajo.

Consideraciones

Las siguientes consideraciones se aplican a los servicios de Dataproc Metastore con una configuración de región personalizada:

  • Restricciones de vinculación o región: No se aplican todas las regiones y combinaciones por lo que está permitido.
  • Limitaciones de solo lectura: Las regiones de solo lectura no pueden aceptar operaciones de escritura. Si se elige una región de solo lectura y no se puede acceder a la región de lectura y escritura, la operación de escritura no se procesa.
  • Inmutabilidad de la configuración: Una vez establecida, no se puede configurar la región cambió.
  • Solo pila de EE.UU.: Las regiones dobles personalizadas solo admiten la pila US y se limitan al límite de EE.UU.

Crea un servicio de región personalizado

Para configurar una región personalizada, elige dos regiones adyacentes cuando crees tu servicio. Esta combinación puede ser de dos regiones de lectura y escritura, o bien una de lectura y escritura y una de solo lectura.

Console

  1. En la consola de Google Cloud, ve a Dataproc Metastore. .

    Ir a Dataproc Metastore

  2. En la barra de navegación, haz clic en +Crear.

    Se abrirá el diálogo Create Metastore service.

  3. Selecciona Dataproc Metastore 2.

  4. En la sección Precios y capacidad, selecciona Enterprise Plus: Birregional.

  5. En el campo Nombre del servicio, ingresa un nombre único para tu servicio.

  6. En Ubicación de los datos (Data location), selecciona EE.UU. (continente) (US (continent)).

    Aparecerá la sección Regiones personalizadas.

  7. En Regiones personalizadas, selecciona una región de lectura y escritura y una región de solo lectura. región.

  8. Para las demás opciones de configuración del servicio, usa los valores predeterminados proporcionados.

  9. Para crear y, luego, iniciar el servicio, haz clic en Enviar.

    Tu nuevo servicio de almacén de metadatos aparece en Dataproc Metastore . El estado mostrará Creando hasta que el servicio esté listo para usarse. Cuando esté lista, el estado cambiará a Activa. El aprovisionamiento del servicio puede tardar unos minutos.

gcloud

Para crear un servicio de Dataproc Metastore con regiones personalizadas, haz lo siguiente: ejecuta la siguiente gcloud CLI gcloud beta metastore services create kubectl.

gcloud beta metastore services create SERVICE \
  --read-write-regions

Reemplaza lo siguiente:

  • SERVICE: Es el nombre de tu servicio de Dataproc Metastore.
  • READ_WRITE_REGIONS: Es una región de lectura y escritura compatible que es parte de la configuración de la región personalizada.
  • READ_ONLY_REGIONS: Es una región de solo lectura compatible que forma parte de la configuración de tu región personalizada.

Qué sigue