Cloud Pub/Sub para modelo do Cloud Storage
Use o modelo do Cloud Pub/Sub para Cloud Storage do Dataproc sem servidor para extrair dados do Pub/Sub para o Cloud Storage.
Use o modelo
Executar o modelo usando a CLI gcloud ou o Dataproc API.
gcloud
Antes de usar os dados do comando abaixo, faça estas substituições:
- PROJECT_ID: obrigatório. O ID do seu projeto do Google Cloud listado em Configurações do IAM.
- REGION: obrigatório. Compute Engine região.
- SUBNET: opcional. Se uma sub-rede não for especificada, ela
na REGIÃO especificada da rede
default
está selecionada.Exemplo:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
- TEMPLATE_VERSION: obrigatório. Especifique
latest
para a versão mais recente versão do modelo ou a data de uma versão específica, por exemplo,2023-03-17_v0.1.0-beta
Acesse gs://dataproc-templates-binaries ou executegcloud storage ls gs://dataproc-templates-binaries
para listar as versões de modelo disponíveis). - PUBSUB_SUBSCRIPTION_PROJECT_ID: obrigatório. O ID do projeto do Google Cloud listado em as configurações do IAM que contêm a assinatura do Pub/Sub de entrada a ser lida.
- SUBSCRIPTION: obrigatório. Nome da assinatura do Pub/Sub.
- CLOUD_STORAGE_OUTPUT_BUCKET_NAME: obrigatório. Nome do bucket do Cloud Storage em que a saída será armazenada.
Observação:os arquivos de saída serão armazenados na pasta
output/
dentro do bucket. - FORMAT: obrigatório. Formato de dados de saída. Opções:
avro
oujson
.Observação:se
avro
, você precisa adicionar "file:///usr/lib/spark/external/spark-avro.jar
" para a sinalizaçãojars
da CLI gcloud ou o campo de API.Exemplo (o prefixo
file://
se refere a um arquivo jar do Dataproc sem servidor):--jars=file:///usr/lib/spark/external/spark-avro.jar,
[ ... outros potes] - TIMEOUT: opcional. Tempo em milissegundos antes do encerramento da transmissão. O padrão é 60000.
- DURATION: opcional. Frequência em segundos de gravações no Cloud Storage. O padrão é de 15 segundos.
- NUM_RECEIVERS: opcional. Número de streams lidos em uma assinatura do Pub/Sub em paralelo. O padrão é 5.
- BATCHSIZE: opcional. Número de registros a serem inseridos em uma ida e volta no Cloud Storage. O padrão é 1000.
- SERVICE_ACCOUNT: opcional. Se não forem fornecidos, os conta de serviço padrão do Compute Engine é usado.
- PROPERTY e PROPERTY_VALUE:
Opcional. Lista separada por vírgulas de
Propriedade do Spark=pares
value
. - LABEL e LABEL_VALUE:
Opcional. Lista separada por vírgulas de pares
label
=value
. - LOG_LEVEL: opcional. Nível de geração de registros. Pode ser um dos seguintes:
ALL
,DEBUG
,ERROR
,FATAL
,INFO
,OFF
,TRACE
ouWARN
. Padrão:INFO
. -
KMS_KEY: opcional. A chave do Cloud Key Management Service a ser usada para criptografia. Se uma chave não for especificada, os dados serão criptografados em repouso usando uma chave pertencente e gerenciada pelo Google.
Exemplo:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
Execute o seguinte comando:
Linux, macOS ou Cloud Shell
gcloud dataproc batches submit spark \ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate \ --version="1.1" \ --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="1.1" ` --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="1.1" ^ --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"
REST
Antes de usar os dados da solicitação abaixo, faça as substituições a seguir:
- PROJECT_ID: obrigatório. O ID do seu projeto do Google Cloud listado em Configurações do IAM.
- REGION: obrigatório. Compute Engine região.
- SUBNET: opcional. Se uma sub-rede não for especificada, ela
na REGIÃO especificada da rede
default
está selecionada.Exemplo:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
- TEMPLATE_VERSION: obrigatório. Especifique
latest
para a versão mais recente versão do modelo ou a data de uma versão específica, por exemplo,2023-03-17_v0.1.0-beta
Acesse gs://dataproc-templates-binaries ou executegcloud storage ls gs://dataproc-templates-binaries
para listar as versões de modelo disponíveis). - PUBSUB_SUBSCRIPTION_PROJECT_ID: obrigatório. O ID do projeto do Google Cloud listado em as configurações do IAM que contêm a assinatura do Pub/Sub de entrada a ser lida.
- SUBSCRIPTION: obrigatório. Nome da assinatura do Pub/Sub.
- CLOUD_STORAGE_OUTPUT_BUCKET_NAME: obrigatório. Nome do bucket do Cloud Storage em que a saída será armazenada.
Observação:os arquivos de saída serão armazenados na pasta
output/
dentro do bucket. - FORMAT: obrigatório. Formato de dados de saída. Opções:
avro
oujson
.Observação:se
avro
, você precisa adicionar "file:///usr/lib/spark/external/spark-avro.jar
" para a sinalizaçãojars
da CLI gcloud ou o campo de API.Exemplo (o prefixo
file://
se refere a um arquivo jar do Dataproc sem servidor):--jars=file:///usr/lib/spark/external/spark-avro.jar,
[ ... outros potes] - TIMEOUT: opcional. Tempo em milissegundos antes do encerramento da transmissão. O padrão é 60000.
- DURATION: opcional. Frequência em segundos de gravações no Cloud Storage. O padrão é de 15 segundos.
- NUM_RECEIVERS: opcional. Número de streams lidos em uma assinatura do Pub/Sub em paralelo. O padrão é 5.
- BATCHSIZE: opcional. Número de registros a serem inseridos em uma ida e volta no Cloud Storage. O padrão é 1000.
- SERVICE_ACCOUNT: opcional. Se não forem fornecidos, os conta de serviço padrão do Compute Engine é usado.
- PROPERTY e PROPERTY_VALUE:
Opcional. Lista separada por vírgulas de
Propriedade do Spark=pares
value
. - LABEL e LABEL_VALUE:
Opcional. Lista separada por vírgulas de pares
label
=value
. - LOG_LEVEL: opcional. Nível de geração de registros. Pode ser um dos seguintes:
ALL
,DEBUG
,ERROR
,FATAL
,INFO
,OFF
,TRACE
ouWARN
. Padrão:INFO
. -
KMS_KEY: opcional. A chave do Cloud Key Management Service a ser usada para criptografia. Se uma chave não for especificada, os dados serão criptografados em repouso usando uma chave pertencente e gerenciada pelo Google.
Exemplo:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
Método HTTP e URL:
POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/batches
Corpo JSON da solicitação:
{ "environmentConfig":{ "executionConfig":{ "subnetworkUri":"SUBNET", "kmsKey": "KMS_KEY", "serviceAccount": "SERVICE_ACCOUNT" } }, "labels": { "LABEL": "LABEL_VALUE" }, "runtimeConfig": { "version": "1.1", "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/external/spark-avro.jar", "gs://dataproc-templates-binaries/TEMPLATE_VERSION/java/dataproc-templates.jar" ] } }
Para enviar a solicitação, expanda uma destas opções:
Você receberá uma resposta JSON semelhante a esta:
{ "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" } }