Cloud Storage to Cloud Storage テンプレート
Dataproc Serverless Cloud Storage to Cloud Storage テンプレートを使用して、Cloud Storage から Cloud Storage にデータを抽出します。
テンプレートの使用
gcloud CLI または Dataproc API を使用してテンプレートを実行します。
後述のコマンドデータを使用する前に、次のように置き換えます。
PROJECT_ID : 必須。IAM 設定に記載された Google Cloud プロジェクト ID。REGION : 必須。Compute Engine のリージョン。SUBNET : 省略可。サブネットが指定されていない場合、default
ネットワークの指定された REGION のサブネットが選択されます。例:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION : 必須。最新のテンプレート バージョンまたは特定バージョンの日付(2023-03-17_v0.1.0-beta
など)にはlatest
を指定します(gs://dataproc-templates-binaries にアクセスするか、gcloud storage ls gs://dataproc-templates-binaries
を実行して、使用可能なテンプレート バージョンを一覧表示します)。CLOUD_STORAGE_INPUT_PATH : 必須。入力データの読み取り元の Cloud Storage パス。例:
gs://example-bucket/example-folder/
FORMAT : 必須。入力データ形式オプション:avro
、parquet
、orc
。注:avro
の場合、jars
gcloud CLI フラグまたは API フィールドに「file:///usr/lib/spark/connector/spark-avro.jar
」を追加する必要があります。例(
file://
接頭辞は Dataproc Serverless jar ファイルを参照します):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[ ... other jars]-
CLOUD_STORAGE_OUTPUT_PATH : 必須。出力が保存される Cloud Storage パス。例:
gs://example-bucket/example-folder/
-
OUTPUT_FILE_FORMAT : 必須。出力データ形式。オプション:avro
、csv
、parquet
、json
、orc
。注:avro
の場合、jars
gcloud CLI フラグまたは API フィールドに「file:///usr/lib/spark/connector/spark-avro.jar
」を追加する必要があります。例(
file://
接頭辞は Dataproc Serverless jar ファイルを参照します):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[ ... other jars] -
MODE : 必須。Cloud Storage 出力の書き込みモード。 オプション:Append
、Overwrite
、Ignore
、ErrorIfExists
。 -
TEMP_TABLE 、TEMP_QUERY : 省略可。これら 2 つのオプションのパラメータを使用して、Cloud Storage にデータを読み込んでいる間に Spark SQL 変換を適用できます。 TEMP_TABLE は一時的なビュー名で、TEMP_QUERY はクエリ ステートメントです。TEMP_TABLE と TEMP_QUERY のテーブル名は一致する必要があります。 SERVICE_ACCOUNT : 省略可。指定されていない場合は、デフォルトの Compute Engine サービス アカウントが使用されます。PROPERTY 、PROPERTY_VALUE : 省略可。Spark プロパティ=value
ペアのカンマ区切りのリスト。LABEL 、LABEL_VALUE : 省略可。label
=value
ペアのカンマ区切りのリスト。LOG_LEVEL : 省略可。ロギングのレベル。ALL
、DEBUG
、ERROR
、FATAL
、INFO
、OFF
、TRACE
、WARN
のいずれかです。デフォルト:INFO
-
KMS_KEY : 省略可。暗号化に使用する Cloud Key Management Service 鍵。鍵が指定されていない場合、データは Google が所有し、Google が管理する鍵を使用して、保存時に暗号化されます。例:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
次のコマンドを実行します。
Linux、macOS、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,file:///usr/lib/spark/connector/spark-avro.jar" \ --subnet="SUBNET " \ --kms-key="KMS_KEY " \ --service-account="SERVICE_ACCOUNT " \ --properties="PROPERTY =PROPERTY_VALUE " \ --labels="LABEL =LABEL_VALUE " \ -- --template=GCSTOGCS \ --templateProperty log.level="LOG_LEVEL " \ --templateProperty project.id="PROJECT_ID " \ --templateProperty gcs.gcs.input.location="CLOUD_STORAGE_INPUT_PATH " \ --templateProperty gcs.gcs.input.format="INPUT_FILE_FORMAT " \ --templateProperty gcs.gcs.output.location="CLOUD_STORAGE_OUTPUT_PATH " \ --templateProperty gcs.gcs.output.format="OUTPUT_FILE_FORMAT " \ --templateProperty gcs.gcs.write.mode="MODE " \ --templateProperty gcs.gcs.temp.table="TEMP_TABLE " \ --templateProperty gcs.gcs.temp.query="TEMP_QUERY "
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,file:///usr/lib/spark/connector/spark-avro.jar" ` --subnet="SUBNET " ` --kms-key="KMS_KEY " ` --service-account="SERVICE_ACCOUNT " ` --properties="PROPERTY =PROPERTY_VALUE " ` --labels="LABEL =LABEL_VALUE " ` -- --template=GCSTOGCS ` --templateProperty log.level="LOG_LEVEL " ` --templateProperty project.id="PROJECT_ID " ` --templateProperty gcs.gcs.input.location="CLOUD_STORAGE_INPUT_PATH " ` --templateProperty gcs.gcs.input.format="INPUT_FILE_FORMAT " ` --templateProperty gcs.gcs.output.location="CLOUD_STORAGE_OUTPUT_PATH " ` --templateProperty gcs.gcs.output.format="OUTPUT_FILE_FORMAT " ` --templateProperty gcs.gcs.write.mode="MODE " ` --templateProperty gcs.gcs.temp.table="TEMP_TABLE " ` --templateProperty gcs.gcs.temp.query="TEMP_QUERY "
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,file:///usr/lib/spark/connector/spark-avro.jar" ^ --subnet="SUBNET " ^ --kms-key="KMS_KEY " ^ --service-account="SERVICE_ACCOUNT " ^ --properties="PROPERTY =PROPERTY_VALUE " ^ --labels="LABEL =LABEL_VALUE " ^ -- --template=GCSTOGCS ^ --templateProperty log.level="LOG_LEVEL " ^ --templateProperty project.id="PROJECT_ID " ^ --templateProperty gcs.gcs.input.location="CLOUD_STORAGE_INPUT_PATH " ^ --templateProperty gcs.gcs.input.format="INPUT_FILE_FORMAT " ^ --templateProperty gcs.gcs.output.location="CLOUD_STORAGE_OUTPUT_PATH " ^ --templateProperty gcs.gcs.output.format="OUTPUT_FILE_FORMAT " ^ --templateProperty gcs.gcs.write.mode="MODE " ^ --templateProperty gcs.gcs.temp.table="TEMP_TABLE " ^ --templateProperty gcs.gcs.temp.query="TEMP_QUERY "
リクエストのデータを使用する前に、次のように置き換えます。
PROJECT_ID : 必須。IAM 設定に記載された Google Cloud プロジェクト ID。REGION : 必須。Compute Engine のリージョン。SUBNET : 省略可。サブネットが指定されていない場合、default
ネットワークの指定された REGION のサブネットが選択されます。例:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION : 必須。最新のテンプレート バージョンまたは特定バージョンの日付(2023-03-17_v0.1.0-beta
など)にはlatest
を指定します(gs://dataproc-templates-binaries にアクセスするか、gcloud storage ls gs://dataproc-templates-binaries
を実行して、使用可能なテンプレート バージョンを一覧表示します)。CLOUD_STORAGE_INPUT_PATH : 必須。入力データの読み取り元の Cloud Storage パス。例:
gs://example-bucket/example-folder/
FORMAT : 必須。入力データ形式オプション:avro
、parquet
、orc
。注:avro
の場合、jars
gcloud CLI フラグまたは API フィールドに「file:///usr/lib/spark/connector/spark-avro.jar
」を追加する必要があります。例(
file://
接頭辞は Dataproc Serverless jar ファイルを参照します):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[ ... other jars]-
CLOUD_STORAGE_OUTPUT_PATH : 必須。出力が保存される Cloud Storage パス。例:
gs://example-bucket/example-folder/
-
OUTPUT_FILE_FORMAT : 必須。出力データ形式。オプション:avro
、csv
、parquet
、json
、orc
。注:avro
の場合、jars
gcloud CLI フラグまたは API フィールドに「file:///usr/lib/spark/connector/spark-avro.jar
」を追加する必要があります。例(
file://
接頭辞は Dataproc Serverless jar ファイルを参照します):--jars=file:///usr/lib/spark/connector/spark-avro.jar,
[ ... other jars] -
MODE : 必須。Cloud Storage 出力の書き込みモード。 オプション:Append
、Overwrite
、Ignore
、ErrorIfExists
。 -
TEMP_TABLE 、TEMP_QUERY : 省略可。これら 2 つのオプションのパラメータを使用して、Cloud Storage にデータを読み込んでいる間に Spark SQL 変換を適用できます。 TEMP_TABLE は一時的なビュー名で、TEMP_QUERY はクエリ ステートメントです。TEMP_TABLE と TEMP_QUERY のテーブル名は一致する必要があります。 SERVICE_ACCOUNT : 省略可。指定されていない場合は、デフォルトの Compute Engine サービス アカウントが使用されます。PROPERTY 、PROPERTY_VALUE : 省略可。Spark プロパティ=value
ペアのカンマ区切りのリスト。LABEL 、LABEL_VALUE : 省略可。label
=value
ペアのカンマ区切りのリスト。LOG_LEVEL : 省略可。ロギングのレベル。ALL
、DEBUG
、ERROR
、FATAL
、INFO
、OFF
、TRACE
、WARN
のいずれかです。デフォルト:INFO
-
KMS_KEY : 省略可。暗号化に使用する Cloud Key Management Service 鍵。鍵が指定されていない場合、データは Google が所有し、Google が管理する鍵を使用して、保存時に暗号化されます。例:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
HTTP メソッドと URL:
POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches
リクエストの本文(JSON):
{ "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","GCSTOGCS", "--templateProperty","project.id=PROJECT_ID ", "--templateProperty","log.level=LOG_LEVEL ", "--templateProperty","gcs.gcs.input.location=CLOUD_STORAGE_INPUT_PATH ", "--templateProperty","gcs.gcs.input.format=INPUT_FILE_FORMAT ", "--templateProperty","gcs.gcs.output.location=CLOUD_STORAGE_OUTPUT_PATH ", "--templateProperty","gcs.gcs.output.format=OUTPUT_FILE_FORMAT ", "--templateProperty","gcs.gcs.write.mode=MODE ", "--templateProperty","gcs.gcs.temp.table=TEMP_TABLE ", "--templateProperty","gcs.gcs.temp.query=TEMP_QUERY " ], "jarFileUris":[ "gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar", "file:///usr/lib/spark/connector/spark-avro.jar" ] } }
リクエストを送信するには、次のいずれかのオプションを展開します。
curl(Linux、macOS、Cloud Shell)
リクエスト本文を request.json
という名前のファイルに保存して、次のコマンドを実行します。
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)
リクエスト本文を request.json
という名前のファイルに保存して、次のコマンドを実行します。
$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
次のような JSON レスポンスが返されます。
{ "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" } }