Questa pagina è stata tradotta dall'API Cloud Translation.

Modello da Cloud Storage a Cloud Spanner

Usa Cloud Storage serverless di Dataproc per Spanner per estrarre i dati da Cloud Storage a Spanner.

Utilizza il modello

Esegui il modello utilizzando gcloud CLI o Dataproc tramite Google Cloud CLI o tramite l'API Compute Engine.

gcloud

Prima di utilizzare uno qualsiasi dei dati di comando riportati di seguito, effettua le seguenti sostituzioni:

PROJECT_ID: campo obbligatorio. Il tuo ID progetto Google Cloud elencato in le impostazioni IAM.
REGION: campo obbligatorio. Compute Engine regione.
SUBNET: facoltativo. Se non viene specificata una subnet, è selezionata nella REGIONE specificata nella rete default.
Esempio: projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION: campo obbligatorio. Specifica latest per il più recente versione del modello o la data di una versione specifica, ad esempio 2023-03-17_v0.1.0-beta (visita gs://dataproc-templates-binaries oppure esegui gcloud storage ls gs://dataproc-templates-binaries per elencare le versioni dei modelli disponibili).
CLOUD_STORAGE_INPUT_PATH: campo obbligatorio. Percorso Cloud Storage da cui verranno letti i dati di input.
Esempio: gs://example-bucket/example-folder/
FORMAT: obbligatorio. Formato dei dati di input. Opzioni: avro, parquet o orc. Nota: se avro, devi aggiungere "file:///usr/lib/spark/external/spark-avro.jar" al flag della gcloud CLI jars o al campo API.
Esempio (il prefisso file:// fa riferimento a un file jar di Dataproc serverless):
--jars=file:///usr/lib/spark/external/spark-avro.jar, [ ... altri barattoli]
INSTANCE: campo obbligatorio. ID istanza Spanner.
DATABASE: campo obbligatorio. ID database Spanner.
TABLE: campo obbligatorio. Nome tabella di output di Spanner.
MODE: facoltativo. Modalità di scrittura per l'output Spanner. Opzioni: Append, Overwrite, Ignore o ErrorifExists. Il valore predefinito è ErrorifExists.
PRIMARY_KEY: campo obbligatorio. Colonne di chiave primaria separate da virgole necessarie per la creazione della tabella di output di Spanner.
BATCHSIZE: facoltativo. Numero di record da inserire in un round trip nella tabella Spanner. Il valore predefinito è 1000.
SERVICE_ACCOUNT: facoltativo. Se non viene specificato, il valore account di servizio Compute Engine predefinito .
PROPERTY e PROPERTY_VALUE: facoltativo. Elenco separato da virgole di Proprietà Spark=value coppie.
LABEL e LABEL_VALUE: Facoltativa. Elenco separato da virgole di label=value coppie.
LOG_LEVEL: facoltativo. Livello di logging. Può essere uno di ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE o WARN. Valore predefinito: INFO.
KMS_KEY: facoltativo. La chiave di Cloud Key Management Service da utilizzare per la crittografia. Se non viene specificata una chiave, i dati vengono criptati at-rest utilizzando una chiave di proprietà di Google e gestita da Google.
Esempio: projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME

Esegui la persone che seguo :

Linux, macOS o 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 GCSTOSPANNER \
    --templateProperty log.level="LOG_LEVEL" \
    --templateProperty project.id="PROJECT_ID" \
    --templateProperty gcs.spanner.input.format="FORMAT" \
    --templateProperty gcs.spanner.input.location="CLOUD_STORAGE_INPUT_PATH" \
    --templateProperty gcs.spanner.output.instance="INSTANCE" \
    --templateProperty gcs.spanner.output.database="DATABASE" \
    --templateProperty gcs.spanner.output.table="TABLE" \
    --templateProperty gcs.spanner.output.saveMode="MODE" \
    --templateProperty gcs.spanner.output.primaryKey="PRIMARY_KEY" \
    --templateProperty gcs.spanner.output.batchInsertSize="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 GCSTOSPANNER `
    --templateProperty log.level="LOG_LEVEL" `
    --templateProperty project.id="PROJECT_ID" `
    --templateProperty gcs.spanner.input.format="FORMAT" `
    --templateProperty gcs.spanner.input.location="CLOUD_STORAGE_INPUT_PATH" `
    --templateProperty gcs.spanner.output.instance="INSTANCE" `
    --templateProperty gcs.spanner.output.database="DATABASE" `
    --templateProperty gcs.spanner.output.table="TABLE" `
    --templateProperty gcs.spanner.output.saveMode="MODE" `
    --templateProperty gcs.spanner.output.primaryKey="PRIMARY_KEY" `
    --templateProperty gcs.spanner.output.batchInsertSize="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 GCSTOSPANNER ^
    --templateProperty log.level="LOG_LEVEL" ^
    --templateProperty project.id="PROJECT_ID" ^
    --templateProperty gcs.spanner.input.format="FORMAT" ^
    --templateProperty gcs.spanner.input.location="CLOUD_STORAGE_INPUT_PATH" ^
    --templateProperty gcs.spanner.output.instance="INSTANCE" ^
    --templateProperty gcs.spanner.output.database="DATABASE" ^
    --templateProperty gcs.spanner.output.table="TABLE" ^
    --templateProperty gcs.spanner.output.saveMode="MODE" ^
    --templateProperty gcs.spanner.output.primaryKey="PRIMARY_KEY" ^
    --templateProperty gcs.spanner.output.batchInsertSize="BATCHSIZE"

REST

Prima di utilizzare i dati della richiesta, apporta le seguenti sostituzioni:

PROJECT_ID: campo obbligatorio. L'ID del tuo progetto Google Cloud elencato nelle Impostazioni IAM.
REGION: campo obbligatorio. Compute Engine regione.
SUBNET: facoltativo. Se non viene specificata una subnet, è selezionata nella REGIONE specificata nella rete default.
Esempio: projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION: campo obbligatorio. Specifica latest per il più recente versione del modello o la data di una versione specifica, ad esempio 2023-03-17_v0.1.0-beta (visita gs://dataproc-templates-binaries oppure esegui gcloud storage ls gs://dataproc-templates-binaries per elencare le versioni dei modelli disponibili).
CLOUD_STORAGE_INPUT_PATH: campo obbligatorio. Percorso Cloud Storage da cui verranno letti i dati di input.
Esempio: gs://example-bucket/example-folder/
FORMAT: obbligatorio. Formato dei dati di input. Opzioni: avro, parquet o orc. Nota: se avro, devi aggiungere "file:///usr/lib/spark/external/spark-avro.jar" al flag della gcloud CLI jars o al campo API.
Esempio (il prefisso file:// fa riferimento a un file jar di Dataproc serverless):
--jars=file:///usr/lib/spark/external/spark-avro.jar, [ ... altri barattoli]
INSTANCE: campo obbligatorio. ID istanza Spanner.
DATABASE: campo obbligatorio. ID database Spanner.
TABLE: campo obbligatorio. Nome tabella di output di Spanner.
MODE: facoltativo. Modalità di scrittura per l'output Spanner. Opzioni: Append, Overwrite, Ignore o ErrorifExists. Il valore predefinito è ErrorifExists.
PRIMARY_KEY: campo obbligatorio. Colonne di chiave primaria separate da virgole necessarie per la creazione della tabella di output di Spanner.
BATCHSIZE: facoltativo. Numero di record da inserire in un round trip nella tabella Spanner. Il valore predefinito è 1000.
SERVICE_ACCOUNT: facoltativo. Se non viene specificato, il valore account di servizio Compute Engine predefinito .
PROPERTY e PROPERTY_VALUE: Facoltativa. Elenco separato da virgole di coppie Proprietà Spark=value.
LABEL e LABEL_VALUE: Facoltativa. Elenco separato da virgole di label=value coppie.
LOG_LEVEL: facoltativo. Livello di logging. Può essere uno di ALL, DEBUG, ERROR, FATAL, INFO, OFF, TRACE o WARN. Valore predefinito: INFO.
KMS_KEY: facoltativo. La chiave di Cloud Key Management Service da utilizzare per la crittografia. Se non viene specificata una chiave, i dati vengono criptati at-rest utilizzando una chiave di proprietà di Google e gestita da Google.
Esempio: projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME

Metodo HTTP e URL:

POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID/locations/REGION/batches

Corpo JSON della richiesta:


{
  "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","GCSTOSPANNER",
      "--templateProperty","project.id=PROJECT_ID",
      "--templateProperty","log.level=LOG_LEVEL",
      "--templateProperty","gcs.spanner.input.format=FORMAT",
      "--templateProperty","gcs.spanner.input.location=CLOUD_STORAGE_INPUT_PATH",
      "--templateProperty","gcs.spanner.output.instance=INSTANCE",
      "--templateProperty","gcs.spanner.output.database=DATABASE",
      "--templateProperty","gcs.spanner.output.table=TABLE",
      "--templateProperty","gcs.spanner.output.saveMode=MODE",
      "--templateProperty","gcs.spanner.output.primaryKey=PRIMARY_KEY",
      "--templateProperty","gcs.spanner.output.batchInsertSize=BATCHSIZE"
    ],
    "jarFileUris":[
      "gs://dataproc-templates-binaries/TEMPLATE_VERSION/java/dataproc-templates.jar"
    ]
  }
}

Per inviare la richiesta, espandi una delle seguenti opzioni:

curl (Linux, macOS o Cloud Shell)

Nota: Il comando seguente presuppone che tu abbia eseguito l'accesso a l'interfaccia a riga di comando gcloud con il tuo account utente eseguendo gcloud init o gcloud auth login oppure utilizzando Cloud Shell, che ti consente di accedere automaticamente all'interfaccia a riga di comando gcloud di Google. Puoi controllare l'account attualmente attivo eseguendo gcloud auth list

Salva il corpo della richiesta in un file denominato request.json. ed esegui questo 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)

Salva il corpo della richiesta in un file denominato request.json, quindi esegui il comando seguente:

$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

Dovresti ricevere una risposta JSON simile alla seguente:


{
  "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"
  }
}