本頁面由 Cloud Translation API 翻譯而成。

Cloud Storage 到 Cloud Storage 範本

使用 Serverless for Apache Spark Cloud Storage to Cloud Storage 範本，從 Cloud Storage 擷取資料至 Cloud Storage。

使用範本

使用 gcloud CLI 或 Dataproc API 執行範本。

gcloud

使用下方的任何指令資料之前，請先替換以下項目：

PROJECT_ID：必填。IAM 設定中列出的 Google Cloud 專案 ID。
REGION：必填。Compute Engine 區域。
SUBNET：選用。如未指定子網路，系統會選取 default 網路中指定 REGION 的子網路。
示例：projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION：必填。指定 latest 代表最新範本版本，或指定特定版本的日期，例如 2023-03-17_v0.1.0-beta (請前往 gs://dataproc-templates-binaries 或執行 gcloud storage ls gs://dataproc-templates-binaries 列出可用的範本版本)。
CLOUD_STORAGE_INPUT_PATH：必填。讀取輸入資料的 Cloud Storage 路徑。
示例：gs://example-bucket/example-folder/
FORMAT：必填。輸入資料格式。選項：avro、 parquet 或 orc。 注意：如果 avro，則必須將「file:///usr/lib/spark/connector/spark-avro.jar」新增至 jars gcloud CLI 旗標或 API 欄位。
範例 (file:// 前置字串參照 Serverless for Apache Spark JAR 檔案)：
--jars=file:///usr/lib/spark/connector/spark-avro.jar, [ ... other jars]
CLOUD_STORAGE_OUTPUT_PATH：必填。輸出內容的儲存位置 Cloud Storage 路徑。
示例：gs://example-bucket/example-folder/
OUTPUT_FILE_FORMAT：必填。輸出資料格式。選項：avro、csv parquet、json 或 orc。 注意：如果 avro，則必須將「file:///usr/lib/spark/connector/spark-avro.jar」新增至 jars gcloud CLI 旗標或 API 欄位。
範例 (file:// 前置字串參照 Serverless for Apache Spark JAR 檔案)：
--jars=file:///usr/lib/spark/connector/spark-avro.jar, [ ... other jars]
MODE：必填。Cloud Storage 輸出內容的寫入模式。選項：Append、Overwrite、Ignore 或 ErrorIfExists。
TEMP_TABLE 和 TEMP_QUERY：選用。您可以使用這兩個選用參數，在將資料載入 Cloud Storage 時套用 Spark SQL 轉換。 TEMP_TABLE 是臨時檢視區塊名稱，TEMP_QUERY 則是查詢陳述式。TEMP_TABLE 和 TEMP_QUERY 中的資料表名稱必須相符。
SERVICE_ACCOUNT：選用。如未提供，系統會使用預設的 Compute Engine 服務帳戶。
PROPERTY 和 PROPERTY_VALUE：選用。以半形逗號分隔的 Spark 屬性=value 組合清單。
LABEL 和 LABEL_VALUE：選用。以半形逗號分隔的 label=value 配對清單。
LOG_LEVEL：選用。記錄層級。可設為 ALL、DEBUG、ERROR、FATAL、INFO、OFF、TRACE 或 WARN。預設值：INFO。
KMS_KEY：選用。用於加密的 Cloud Key Management Service 金鑰。如果未指定金鑰，系統會使用 Google-owned and Google-managed encryption key加密靜態資料。
示例：projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME

執行下列指令：

Linux、macOS 或 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"

REST

使用任何要求資料之前，請先替換以下項目：

PROJECT_ID：必填。IAM 設定中列出的 Google Cloud 專案 ID。
REGION：必填。Compute Engine 區域。
SUBNET：選用。如未指定子網路，系統會選取 default 網路中指定 REGION 的子網路。
示例：projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
TEMPLATE_VERSION：必填。指定 latest 代表最新範本版本，或指定特定版本的日期，例如 2023-03-17_v0.1.0-beta (請前往 gs://dataproc-templates-binaries 或執行 gcloud storage ls gs://dataproc-templates-binaries 列出可用的範本版本)。
CLOUD_STORAGE_INPUT_PATH：必填。讀取輸入資料的 Cloud Storage 路徑。
示例：gs://example-bucket/example-folder/
FORMAT：必填。輸入資料格式。選項：avro、 parquet 或 orc。 注意：如果 avro，則必須將「file:///usr/lib/spark/connector/spark-avro.jar」新增至 jars gcloud CLI 旗標或 API 欄位。
範例 (file:// 前置字串參照 Serverless for Apache Spark JAR 檔案)：
--jars=file:///usr/lib/spark/connector/spark-avro.jar, [ ... other jars]
CLOUD_STORAGE_OUTPUT_PATH：必填。輸出內容的儲存位置 Cloud Storage 路徑。
示例：gs://example-bucket/example-folder/
OUTPUT_FILE_FORMAT：必填。輸出資料格式。選項：avro、csv parquet、json 或 orc。 注意：如果 avro，則必須將「file:///usr/lib/spark/connector/spark-avro.jar」新增至 jars gcloud CLI 旗標或 API 欄位。
範例 (file:// 前置字串參照 Serverless for Apache Spark JAR 檔案)：
--jars=file:///usr/lib/spark/connector/spark-avro.jar, [ ... other jars]
MODE：必填。Cloud Storage 輸出內容的寫入模式。選項：Append、Overwrite、Ignore 或 ErrorIfExists。
TEMP_TABLE 和 TEMP_QUERY：選用。您可以使用這兩個選用參數，在將資料載入 Cloud Storage 時套用 Spark SQL 轉換。 TEMP_TABLE 是臨時檢視區塊名稱，TEMP_QUERY 則是查詢陳述式。TEMP_TABLE 和 TEMP_QUERY 中的資料表名稱必須相符。
SERVICE_ACCOUNT：選用。如未提供，系統會使用預設的 Compute Engine 服務帳戶。
PROPERTY 和 PROPERTY_VALUE：選用。以半形逗號分隔的 Spark 屬性=value 組合清單。
LABEL 和 LABEL_VALUE：選用。以半形逗號分隔的 label=value 配對清單。
LOG_LEVEL：選用。記錄層級。可設為 ALL、DEBUG、ERROR、FATAL、INFO、OFF、TRACE 或 WARN。預設值：INFO。
KMS_KEY：選用。用於加密的 Cloud Key Management Service 金鑰。如果未指定金鑰，系統會使用 Google-owned and Google-managed encryption key加密靜態資料。
示例：projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME

HTTP 方法和網址：

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

JSON 要求主體：


{
  "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"
    ]
  }
}

如要傳送要求，請展開以下其中一個選項：

curl (Linux、macOS 或 Cloud Shell)

注意： 下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI，或使用 Cloud Shell，自動登入 gcloud CLI。您可以執行 gcloud auth list 查看目前有效的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

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)

注意： 下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list 查看目前有效的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$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

您應該會收到如下的 JSON 回應：


{
  "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"
  }
}