Plantilla de Cloud Pub/Sub a Cloud Storage
Usa la plantilla de Dataproc sin servidor de Cloud Pub/Sub a Cloud Storage para extraer data de Pub/Sub a Cloud Storage.
Usa la plantilla
Ejecuta la plantilla con gcloud CLI o la API de Dataproc.
Antes de usar cualquiera de los datos de comando a continuación, realiza los siguientes reemplazos:
PROJECT_ID : Obligatorio. El Google Cloud ID de tu proyecto que aparece en la Configuración de IAMREGION : Obligatorio. Región de Compute Engine.SUBNET : Opcional Si no se especifica una subred, se selecciona la subred en la REGION especificada en la reddefault
.Ejemplo:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION : Obligatorio. Especificalatest
para la versión más reciente de la plantilla o la fecha de una versión específica, por ejemplo,2023-03-17_v0.1.0-beta
(visita gs://dataproc-templates-binaries o ejecutagcloud storage ls gs://dataproc-templates-binaries
para ver una lista de las versiones de plantilla disponibles).PUBSUB_SUBSCRIPTION_PROJECT_ID : Obligatorio. El Google Cloud ID del proyecto que aparece en la Configuración de IAM que contiene la suscripción de entrada de Pub/Sub que se leerá.SUBSCRIPTION : Obligatorio. Es el nombre de la suscripción a Pub/Sub.CLOUD_STORAGE_OUTPUT_BUCKET_NAME : Obligatorio. Es el nombre del bucket de Cloud Storage en el que se almacenará el resultado.Nota: Los archivos de salida se almacenarán en la carpeta
output/
dentro del bucket.FORMAT : Obligatorio. Formato de datos de salida. Opciones:avro
ojson
.Nota: Si es
avro
, debes agregar "file:///usr/lib/spark/connector/spark-avro.jar
" al campo de API o a la marcajars
de gcloud CLI.Ejemplo (el prefijo
file://
hace referencia a un archivo jar de Dataproc Serverless):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[ ... other jars]TIMEOUT : Opcional Es el tiempo en milisegundos antes de que finalice la transmisión. El valor predeterminado es 60000.DURATION : Opcional Frecuencia en segundos de las operaciones de escritura en Cloud Storage. El valor predeterminado es de 15 segundos.NUM_RECEIVERS : Opcional Cantidad de transmisiones leídas de una suscripción a Pub/Sub en paralelo. El valor predeterminado es 5.BATCHSIZE : Opcional Es la cantidad de registros que se insertarán en un viaje de ida y vuelta a Cloud Storage. El valor predeterminado es 1,000.SERVICE_ACCOUNT : Opcional Si no se proporciona, se usa la cuenta de servicio predeterminada de Compute Engine.PROPERTY yPROPERTY_VALUE : Opcional. Es una lista separada por comas de pares propiedad de Spark=value
.LABEL yLABEL_VALUE : Opcional. Es una lista separada por comas de pareslabel
=value
.LOG_LEVEL : Opcional Nivel de registro. Puede ser una de las siguientes opciones:ALL
,DEBUG
,ERROR
,FATAL
,INFO
,OFF
,TRACE
oWARN
. Valor predeterminado:INFO
.-
KMS_KEY : Opcional La clave de Cloud Key Management Service que se usará para la encriptación. Si no se especifica una clave, los datos se encriptan en reposo con un Google-owned and Google-managed encryption key.Ejemplo:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
Ejecuta el siguiente comando:
Linux, macOS o Cloud Shell
gcloud dataproc batches submit spark \ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate \ --version="1.2" \ --project="PROJECT_ID " \ --region="REGION " \ --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" \ --subnet="SUBNET " \ --kms-key="KMS_KEY " \ --service-account="SERVICE_ACCOUNT " \ --properties="PROPERTY =PROPERTY_VALUE " \ --labels="LABEL =LABEL_VALUE " \ -- --template=PUBSUBTOGCS \ --templateProperty log.level="LOG_LEVEL " \ --templateProperty pubsubtogcs.input.project.id="PUBSUB_SUBSCRIPTION_PROJECT_ID " \ --templateProperty pubsubtogcs.input.subscription="SUBSCRIPTION " \ --templateProperty pubsubtogcs.gcs.bucket.name="CLOUD_STORAGE_OUTPUT_BUCKET_NAME " \ --templateProperty pubsubtogcs.gcs.output.data.format="FORMAT " \ --templateProperty pubsubtogcs.timeout.ms="TIMEOUT " \ --templateProperty pubsubtogcs.streaming.duration.seconds="DURATION " \ --templateProperty pubsubtogcs.total.receivers="NUM_RECEIVERS " \ --templateProperty pubsubtogcs.batch.size="BATCHSIZE "
Windows (PowerShell)
gcloud dataproc batches submit spark ` --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ` --version="1.2" ` --project="PROJECT_ID " ` --region="REGION " ` --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" ` --subnet="SUBNET " ` --kms-key="KMS_KEY " ` --service-account="SERVICE_ACCOUNT " ` --properties="PROPERTY =PROPERTY_VALUE " ` --labels="LABEL =LABEL_VALUE " ` -- --template=PUBSUBTOGCS ` --templateProperty log.level="LOG_LEVEL " ` --templateProperty pubsubtogcs.input.project.id="PUBSUB_SUBSCRIPTION_PROJECT_ID " ` --templateProperty pubsubtogcs.input.subscription="SUBSCRIPTION " ` --templateProperty pubsubtogcs.gcs.bucket.name="CLOUD_STORAGE_OUTPUT_BUCKET_NAME " ` --templateProperty pubsubtogcs.gcs.output.data.format="FORMAT " ` --templateProperty pubsubtogcs.timeout.ms="TIMEOUT " ` --templateProperty pubsubtogcs.streaming.duration.seconds="DURATION " ` --templateProperty pubsubtogcs.total.receivers="NUM_RECEIVERS " ` --templateProperty pubsubtogcs.batch.size="BATCHSIZE "
Windows (cmd.exe)
gcloud dataproc batches submit spark ^ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ^ --version="1.2" ^ --project="PROJECT_ID " ^ --region="REGION " ^ --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" ^ --subnet="SUBNET " ^ --kms-key="KMS_KEY " ^ --service-account="SERVICE_ACCOUNT " ^ --properties="PROPERTY =PROPERTY_VALUE " ^ --labels="LABEL =LABEL_VALUE " ^ -- --template=PUBSUBTOGCS ^ --templateProperty log.level="LOG_LEVEL " ^ --templateProperty pubsubtogcs.input.project.id="PUBSUB_SUBSCRIPTION_PROJECT_ID " ^ --templateProperty pubsubtogcs.input.subscription="SUBSCRIPTION " ^ --templateProperty pubsubtogcs.gcs.bucket.name="CLOUD_STORAGE_OUTPUT_BUCKET_NAME " ^ --templateProperty pubsubtogcs.gcs.output.data.format="FORMAT " ^ --templateProperty pubsubtogcs.timeout.ms="TIMEOUT " ^ --templateProperty pubsubtogcs.streaming.duration.seconds="DURATION " ^ --templateProperty pubsubtogcs.total.receivers="NUM_RECEIVERS " ^ --templateProperty pubsubtogcs.batch.size="BATCHSIZE "
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
PROJECT_ID : Obligatorio. El Google Cloud ID de tu proyecto que aparece en la Configuración de IAMREGION : Obligatorio. Región de Compute Engine.SUBNET : Opcional Si no se especifica una subred, se selecciona la subred en la REGION especificada en la reddefault
.Ejemplo:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION : Obligatorio. Especificalatest
para la versión más reciente de la plantilla o la fecha de una versión específica, por ejemplo,2023-03-17_v0.1.0-beta
(visita gs://dataproc-templates-binaries o ejecutagcloud storage ls gs://dataproc-templates-binaries
para ver una lista de las versiones de plantilla disponibles).PUBSUB_SUBSCRIPTION_PROJECT_ID : Obligatorio. El Google Cloud ID del proyecto que aparece en la Configuración de IAM que contiene la suscripción de entrada de Pub/Sub que se leerá.SUBSCRIPTION : Obligatorio. Es el nombre de la suscripción a Pub/Sub.CLOUD_STORAGE_OUTPUT_BUCKET_NAME : Obligatorio. Es el nombre del bucket de Cloud Storage en el que se almacenará el resultado.Nota: Los archivos de salida se almacenarán en la carpeta
output/
dentro del bucket.FORMAT : Obligatorio. Formato de datos de salida. Opciones:avro
ojson
.Nota: Si es
avro
, debes agregar "file:///usr/lib/spark/connector/spark-avro.jar
" al campo de API o a la marcajars
de gcloud CLI.Ejemplo (el prefijo
file://
hace referencia a un archivo jar de Dataproc Serverless):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[ ... other jars]TIMEOUT : Opcional Es el tiempo en milisegundos antes de que finalice la transmisión. El valor predeterminado es 60000.DURATION : Opcional Frecuencia en segundos de las operaciones de escritura en Cloud Storage. El valor predeterminado es de 15 segundos.NUM_RECEIVERS : Opcional Cantidad de transmisiones leídas de una suscripción a Pub/Sub en paralelo. El valor predeterminado es 5.BATCHSIZE : Opcional Es la cantidad de registros que se insertarán en un viaje de ida y vuelta a Cloud Storage. El valor predeterminado es 1,000.SERVICE_ACCOUNT : Opcional Si no se proporciona, se usa la cuenta de servicio predeterminada de Compute Engine.PROPERTY yPROPERTY_VALUE : Opcional. Es una lista separada por comas de pares propiedad de Spark=value
.LABEL yLABEL_VALUE : Opcional. Es una lista separada por comas de pareslabel
=value
.LOG_LEVEL : Opcional Nivel de registro. Puede ser una de las siguientes opciones:ALL
,DEBUG
,ERROR
,FATAL
,INFO
,OFF
,TRACE
oWARN
. Valor predeterminado:INFO
.-
KMS_KEY : Opcional La clave de Cloud Key Management Service que se usará para la encriptación. Si no se especifica una clave, los datos se encriptan en reposo con un Google-owned and Google-managed encryption key.Ejemplo:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
Método HTTP y URL:
POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches
Cuerpo JSON de la solicitud:
{ "environmentConfig":{ "executionConfig":{ "subnetworkUri":"SUBNET ", "kmsKey": "KMS_KEY ", "serviceAccount": "SERVICE_ACCOUNT " } }, "labels": { "LABEL ": "LABEL_VALUE " }, "runtimeConfig": { "version": "1.2", "properties": { "PROPERTY ": "PROPERTY_VALUE " } }, "sparkBatch":{ "mainClass":"com.google.cloud.dataproc.templates.main.DataProcTemplate", "args":[ "--template","PUBSUBTOGCS", "--templateProperty","log.level=LOG_LEVEL ", "--templateProperty","pubsubtogcs.input.project.id=PUBSUB_SUBSCRIPTION_PROJECT_ID ", "--templateProperty","pubsubtogcs.input.subscription=SUBSCRIPTION ", "--templateProperty","pubsubtogcs.gcs.bucket.name=CLOUD_STORAGE_OUTPUT_BUCKET_NAME ", "--templateProperty","pubsubtogcs.gcs.output.data.format=FORMAT ", "--templateProperty","pubsubtogcs.timeout.ms=TIMEOUT ", "--templateProperty","pubsubtogcs.streaming.duration.seconds=DURATION ", "--templateProperty","pubsubtogcs.total.receivers=NUM_RECEIVERS ", "--templateProperty","pubsubtogcs.batch.size=BATCHSIZE " ], "jarFileUris":[ "file:///usr/lib/spark/connector/spark-avro.jar", "gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" ] } }
Para enviar tu solicitud, expande una de estas opciones:
curl (Linux, macOS o Cloud Shell)
Guarda el cuerpo de la solicitud en un archivo llamado request.json
y ejecuta el siguiente comando:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches"
PowerShell (Windows)
Guarda el cuerpo de la solicitud en un archivo llamado request.json
y ejecuta el siguiente comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches" | Select-Object -Expand Content
Deberías recibir una respuesta JSON similar a la que se muestra a continuación:
{ "name": "projects/PROJECT_ID /regions/REGION /operations/OPERATION_ID ", "metadata": { "@type": "type.googleapis.com/google.cloud.dataproc.v1.BatchOperationMetadata", "batch": "projects/PROJECT_ID /locations/REGION /batches/BATCH_ID ", "batchUuid": "de8af8d4-3599-4a7c-915c-798201ed1583", "createTime": "2023-02-24T03:31:03.440329Z", "operationType": "BATCH", "description": "Batch" } }