Configurar um serviço Metastore do Dataproc multirregional

Nesta página, mostramos como configurar um metastore do Dataproc multirregional serviço. Para mais informações sobre como configurar Os serviços do Dataproc Metastore funcionam. Consulte Metastore do Dataproc ou várias regiões.

Antes de começar

Funções exigidas

Para receber a permissão necessária para criar um serviço de Metastore do Dataproc multirregional, peça ao administrador para conceder a você os seguintes papéis do IAM no projeto, com base no princípio do privilégio mínimo:

Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.

Esse papel predefinido contém a permissão metastore.services.create, que é necessária para criar um serviço de Metastore do Dataproc multirregional.

Também é possível conseguir essa permissão com papéis personalizados ou outros papéis predefinidos.

Para mais informações sobre papéis e permissões específicos do Dataproc Metastore, consulte Gerenciar o acesso com o IAM.

Sobre os serviços multirregionais do Dataproc Metastore

Os serviços multirregionais do Dataproc Metastore armazenam seus dados em duas regiões diferentes e usam as duas para executar seus workloads. Por exemplo: o nam7 multirregional contém as regiões us-central1 e us-east4.

  • Um serviço do metastore do Dataproc multirregional replica metadados em duas regiões e expõe os endpoints relevantes para acessar o metastore do Hive. No caso do gRPC, um endpoint por região é exposto. Para Thrift, um endpoint por sub-rede é exposto.

  • Um serviço de metastore multirregional do Dataproc fornece uma configuração de cluster de alta disponibilidade (HA) ativo-ativo. Essa configuração significa que as cargas de trabalho podem acessar qualquer região ao executar jobs. Ele também tem um mecanismo de failover para seu serviço. Por exemplo, se o endpoint regional principal ficar inativo, as cargas de trabalho serão roteadas automaticamente para a região secundária. Isso ajuda a evitar interrupções nos seus trabalhos do Dataproc.

Considerações

As considerações a seguir se aplicam a serviços multirregionais do metastore do Dataproc.

Criar um serviço multirregional do Dataproc Metastore

Escolha uma das guias a seguir para saber como criar um serviço multirregional. usando o protocolo de endpoint Thrift ou gRPC, com uma Serviço do Dataproc Metastore 2.

gRPC

Ao criar um serviço multirregional que usa o protocolo de endpoint gRPC, não é necessário definir configurações de rede específicas. O protocolo gRPC processa o roteamento de rede para você.

Console

  1. No console do Google Cloud, acesse a página Metastore do Dataproc.

    Acesse o metastore do Dataproc

  2. Na barra de navegação, clique em +Criar.

    A caixa de diálogo Criar serviço de metastore é aberta.

  3. Selecione Dataproc Metastore 2.

  4. Na seção Preços e capacidade, selecione Enterprise Plus: birregional.

  5. Em Protocolo do endpoint, selecione gRPC.

  6. Para criar e iniciar o serviço, clique em Enviar.

    O novo serviço de metastore aparece na página Metastore do Dataproc. O status será Creating até que o serviço esteja pronto para uso. Quando ela estiver pronta, o status vai mudar para Ativo. O provisionamento do serviço pode levar alguns minutos.

CLI da gcloud

Para criar um serviço multirregional do Dataproc Metastore, execute o seguinte comando gcloud metastore services create. Esse comando cria o Dataproc Metastore versão 3.1.2.

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

Substitua:

  • SERVICE: o nome do serviço do metastore do Dataproc.
  • MULTI_REGION: a várias regiões em que você está criando o serviço do metastore do Dataproc.
  • INSTANCE_SIZE: o tamanho da instância. do seu metastore multirregional do Dataproc. Por exemplo, small, medium ou large. Se você especificar um valor para INSTANCE_SIZE, não especifique um valor para SCALING_FACTOR.
  • SCALING_FACTOR: o fator de escalonamento do serviço Metastore do Dataproc. Por exemplo, 0.1. Se você especificar um valor para SCALING_FACTOR, não especifique um valor para INSTANCE_SIZE.

Economia

Ao criar um serviço multirregional que usa o protocolo de endpoint Thrift, você precisa definir as configurações de sub-rede apropriadas. Nesse caso, para cada rede VPC que você estiver usando, é necessário fornecer pelo menos uma sub-rede de cada região.

Por exemplo, para criar a multirregião nam7, é necessário fornecer os dois us-central1 e us-east4 regiões.

Console

  1. No console do Google Cloud, acesse a página Metastore do Dataproc.

    Ir para Metastore do Dataproc

  2. Na barra de navegação, clique em +Criar.

    A caixa de diálogo Criar serviço de metastore é aberta.

  3. Selecione Metastore do Dataproc 2.

  4. Na seção Preço e capacidade, selecione Enterprise Plus - Dual region.

    Para mais informações, consulte planos de preços e configurações de escalonamento.

  5. No campo Nome do serviço, insira um nome exclusivo para o serviço.

    Para informações sobre convenções de nomenclatura, consulte Convenção de nomenclatura de recursos.

  6. Em Protocolo do endpoint, selecione Thrift.

  7. Em Configuração de rede, informe as sub-redes que formam as configuração multirregional.

  8. Para as demais opções de configuração de serviço, use os padrões fornecidos.

  9. Para criar e iniciar o serviço, clique em Enviar.

    O novo serviço de metastore aparece na página Metastore do Dataproc. O status será Creating até que o serviço esteja pronto para uso. Quando ela estiver pronta, o status vai mudar para Ativo. O provisionamento do serviço pode levar alguns minutos.

CLI da gcloud

Para criar um serviço multirregional do metastore do Dataproc, execute o comando gcloud metastore services create abaixo. Esse comando cria o Dataproc Metastore versão 3.1.2.

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

Ou você pode armazenar as configurações de rede em um arquivo, conforme mostrado no comando abaixo.

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

Substitua:

  • SERVICE: o nome do serviço Metastore do Dataproc.
  • MULTI_REGION: a multirregião que em que o serviço do Dataproc Metastore está sendo criado.
  • PROJECT_ID: o ID do projeto do Google Cloud que em que o serviço Metastore do Dataproc está sendo criado.
  • SUBNET1,SUBNET2: uma lista de sub-redes que formam uma configuração multirregional. É possível usar o ID, o URL totalmente qualificado ou o nome relativo da sub-rede. Você pode especificar até seis sub-redes.
  • LOCATION1,LOCATION2: uma lista de locais que formam uma configuração multirregional. Você pode usar o ID do local. Por exemplo, para uma multirregião nam7, use us-central1 e us-east4.
  • NETWORK_CONFIG_FROM_FILE: o caminho para um arquivo YAML que contém a configuração de rede.
  • INSTANCE_SIZE: o tamanho da instância do metastore multirregional do Dataproc. Por exemplo, small, medium ou large. Se você especificar um valor para INSTANCE_SIZE, não especifique um valor para SCALING_FACTOR.
  • SCALING_FACTOR: o fator de escalonamento do serviço Metastore do Dataproc. Por exemplo, 0.1. Se você especificar um valor para SCALING_FACTOR, não especifique um para INSTANCE_SIZE.

REST

Para saber como criar um metastore do Dataproc multirregional serviço, siga as instruções para criar um serviço usando o APIs Explorer do Google.

Para configurar um serviço multirregional, forneça as seguintes informações nos 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
    }
  }

Substitua:

  • PROJECT_ID: o ID do projeto do Google Cloud do projeto que contém o serviço Metastore do Dataproc.
  • LOCATION: a região do Google Cloud em que o serviço do Dataproc Metastore está localizado.
  • SUBNET1,SUBNET2: uma lista de sub-redes que formam uma configuração multirregional. É possível usar o ID, o URL totalmente qualificado ou o nome relativo da sub-rede. Você pode especificar até cinco subredes.
  • SCALING_FACTOR: o fator de escalonamento que você quer usar para o serviço.

Conectar o metastore do Dataproc a um cluster do Dataproc

Escolha uma das guias a seguir para saber como conectar uma conta Serviço Metastore do Dataproc de um cluster do Dataproc.

gRPC

Para conectar um cluster do Dataproc, escolha a guia que corresponde ao do Dataproc Metastore que você está usando.

Metastore do Dataproc 3.1.2

  1. Crie as seguintes variáveis para o cluster do 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

    Substitua:

    • CLUSTER_NAME: o nome do cluster do Dataproc.
    • PROJECT_ID: o projeto do Google Cloud que que contém o cluster do Dataproc. Verifique se a sub-rede que está usando tem as permissões apropriadas para acessar este projeto.
    • MULTI_REGION: a multirregião do Google Cloud em que você quer criar o cluster do Dataproc.
    • DATAPROC_IMAGE_VERSION: a versão da imagem do Dataproc que você está usando com o serviço do metastore do Dataproc. Use uma versão de imagem de 2.0 ou mais recente.
    • PROJECT: o projeto que contém o serviço Metastore do Dataproc.
    • SERVICE_ID: o ID do serviço do serviço Metastore do Dataproc.
  2. Para criar o cluster, execute o seguinte gcloud dataproc clusters create kubectl. --enable-kerberos é opcional. Só inclua essa opção se se você está usando o Kerberos com seu cluster.

    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 ]

Metastore do Dataproc 2.3.6

  1. Crie as seguintes variáveis para seu serviço do Metastore do Dataproc:

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

    Substitua:

    • METASTORE_PROJECT: o projeto do Google Cloud que contém o serviço do metastore do Dataproc.
    • METASTORE_ID: o ID do serviço do seu serviço de metastore do Dataproc.
    • MULTI_REGION: o local multirregional que você quer usar para o serviço de metastore do Dataproc.
    • SUBNET: uma das sub-redes que você está usando. do serviço Metastore do Dataproc. Ou qualquer sub-rede na rede VPC mãe das sub-redes usadas para o serviço.
  2. Crie as seguintes variáveis para o cluster do Dataproc:

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

    Substitua:

    • CLUSTER_NAME: o nome do Dataproc. aglomerado.
    • DATAPROC_PROJECT: o projeto do Google Cloud que contém seu cluster do Dataproc. Verifique se a sub-rede que está usando tem as permissões apropriadas para acessar este projeto.
    • DATAPROC_REGION: a região do Google Cloud que em que você quer criar o cluster do Dataproc.
    • HIVE_VERSION: a versão do Hive que seu Usos do serviço Metastore do Dataproc.
    • IMAGE_VERSION: a versão da imagem do Dataproc que você está usando com o serviço Metastore do Dataproc.
      • Para o Hive Metastore versão 2.0, use a versão de imagem 1.5.
      • Para a versão 3.1.2 do Metastore do Hive, use a versão de imagem 2.0.
  3. Extraia o diretório de armazenamento do serviço Metastore do Dataproc e armazene-o em uma variável.

    WAREHOUSE_DIR=$(gcloud metastore services describe "${METASTORE_ID}" --project "${METASTORE_PROJECT}" --location "${MULTI_REGION}" --format="get(hiveMetastoreConfig.configOverrides[hive.metastore.warehouse.dir])")
  4. Crie um cluster do Dataproc configurado com uma Metastore do Dataproc multirregional.

    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

Economia

Opção 1: editar o arquivo hive-site.xml

  1. Encontre o URI do endpoint e o diretório de warehouse dos serviço Metastore do Dataproc. Você pode escolha um dos endpoints expostos.
  2. No console do Google Cloud, acesse a página Instâncias de VM.
  3. Na lista de instâncias de máquina virtual, clique em SSH na linha Nó principal do Dataproc (.*-m).

    Uma janela do navegador é aberta no diretório principal do nó.

  4. Abra o arquivo /etc/hive/conf/hive-site.xml.

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

    Você verá uma resposta semelhante a esta:

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

    Substitua:

  5. Reinicie o HiveServer2:

    sudo systemctl restart hive-server2.service
    

Opção 2: usar a CLI gcloud

Execute o comando gcloud dataproc clusters create da CLI gcloud a seguir.

  1. Encontre o URI do endpoint e o diretório de warehouse dos serviço Metastore do Dataproc. Você pode escolha um dos endpoints expostos.
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"

Substitua:

  • CLUSTER_NAME: o nome do Dataproc. cluster.
  • NETWORK: o projeto do Google Cloud que que contém o cluster do Dataproc. Verifique se a sub-rede que você está usando tem as permissões adequadas para acessar o projeto.
  • PROJECT_ID: a versão do Hive usada pelo seu serviço do Dataproc Metastore.
  • IMAGE_VERSION: a imagem do Dataproc versão que você está usando com seu serviço Metastore do Dataproc.
    • Para o Hive Metastore versão 2.0, use a versão de imagem 1.5.
    • Para a versão 3.1.2 do Metastore do Hive, use a versão de imagem 2.0.
  • ENDPOINT: o endpoint do Thrift que seu o Dataproc Metastore.
  • WAREHOUSE_DIR: o diretório do repositório do seu metastore do Dataproc.

Configurações de região personalizadas

É possível configurar os serviços do metastore do Dataproc para usar uma configuração de região personalizada.

Uma configuração de região personalizada permite que o serviço execute cargas de trabalho de dois ou várias regiões. Isso fornece redundância entre regiões, o que significa que as cargas de trabalho podem acessar qualquer região ao executar jobs. Ele também tem um mecanismo de failover para seu serviço. Por exemplo, se um dos endpoints regionais ficar inativo, seus são roteadas automaticamente para a outra região. Isso ajuda a evitar interrupções nas cargas de trabalho e nos jobs.

As configurações de região personalizadas também permitem controlar onde você está armazenando metadados e onde expor os endpoints do Hive Metastore. Isso pode melhorar o desempenho ao processar cargas de trabalho.

Considerações

As considerações a seguir se aplicam aos serviços do Dataproc Metastore com uma configuração de região personalizada:

  • Restrições de região/pareamento: nem todas as regiões e combinações são permitidas.
  • Limitações somente leitura: regiões somente leitura não podem aceitar operações de gravação. Se uma região somente leitura for escolhida e a região de leitura/gravação não puder ser alcançada, a gravação não será processada.
  • Imutabilidade da configuração: depois de definida, a configuração da região não pode ser mudou.
  • Somente pilha dos EUA: as regiões duplas personalizadas só oferecem suporte à pilha US e são ao limite dos EUA.

Criar um serviço de região personalizada

Para configurar uma região personalizada, escolha duas regiões adjacentes ao criar sua serviço. Essa combinação pode ser duas regiões de leitura/gravação ou uma leitura/gravação e uma região somente leitura.

Console

  1. No console do Google Cloud, acesse o Metastore do Dataproc página.

    Acesse o metastore do Dataproc

  2. Na barra de navegação, clique em +Criar.

    A caixa de diálogo Criar serviço de metastore é aberta.

  3. Selecione Metastore do Dataproc 2.

  4. Na seção Preço e capacidade, selecione Enterprise Plus - Dual region.

  5. No campo Nome do serviço, insira um nome exclusivo para o serviço.

  6. Em Local dos dados, selecione Estados Unidos (continente).

    A seção Regiões personalizadas é exibida.

  7. Em Regiões personalizadas, selecione uma região de Leitura/gravação e uma de Somente leitura.

  8. Para as demais opções de configuração de serviço, use os padrões fornecidos.

  9. Para criar e iniciar o serviço, clique em Enviar.

    Seu novo serviço de metastore aparece no Metastore do Dataproc página. O status exibido será Creating até que o serviço esteja pronto para uso. Quando estiver pronto, o status vai mudar para Ativo. O provisionamento do serviço pode levar alguns minutos.

gcloud

Para criar um serviço do Dataproc Metastore com regiões personalizadas: execute o seguinte comando CLI gcloud gcloud beta metastore services create kubectl.

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

Substitua:

  • SERVICE: o nome do serviço do metastore do Dataproc.
  • READ_WRITE_REGIONS: uma região de leitura e gravação compatível que faz parte da configuração da região personalizada.
  • READ_ONLY_REGIONS: uma região somente leitura compatível que faz parte da configuração da região personalizada.

A seguir