Quando si abilita la memorizzazione nella cache di un cluster Dataproc, quest'ultimo memorizza nella cache i dati di Cloud Storage a cui accedono spesso i job Spark.
Vantaggi
- Prestazioni superiori: la memorizzazione nella cache può migliorare le prestazioni dei job riducendo il tempo impiegato per il recupero dei dati dallo spazio di archiviazione.
- Costi di archiviazione ridotti: poiché i dati ad accesso frequente vengono memorizzati nella cache sul disco locale, vengono effettuate meno chiamate API allo spazio di archiviazione per recuperare i dati.
Limitazioni e requisiti
- La memorizzazione nella cache si applica solo ai job Dataproc Spark.
- Vengono memorizzati nella cache solo i dati di Cloud Storage.
- La memorizzazione nella cache si applica solo ai cluster che soddisfano i seguenti requisiti:
- Il cluster ha un master e
n
worker (i cluster alta disponibilità (HA) e nodo singolo non sono supportati). - Questa funzionalità è disponibile nelle
versioni immagine
2.0.72+ or 2.1.20+
di Dataproc su Compute Engine. - Ogni nodo cluster deve avere SSD locali collegati all'interfaccia NVME (Non-Volatile Memory Express) (i dischi permanenti (PD) non sono supportati). I dati vengono memorizzati nella cache solo sulle unità SSD locali NVME.
- Il cluster utilizza l'account di servizio VM predefinito per l'autenticazione. Gli account di servizio per VM personalizzate non sono supportati.
- Il cluster ha un master e
Abilita memorizzazione nella cache del cluster
Puoi abilitare la memorizzazione nella cache dei cluster quando crei un cluster Dataproc utilizzando la console Google Cloud, Google Cloud CLI o l'API Dataproc.
Console Google Cloud
- Apri la pagina Crea un cluster su Compute Engine di Dataproc nella console Google Cloud.
- Il riquadro Configura cluster è selezionato. Nella sezione Miglioramenti delle prestazioni di Spark, seleziona Abilita la memorizzazione nella cache di Google Cloud Storage.
- Dopo aver confermato e specificato i dettagli del cluster nei riquadri di creazione del cluster, fai clic su Crea.
Interfaccia a riga di comando gcloud
Esegui il comando gcloud dataproc clusters create localmente in una finestra del terminale o in Cloud Shell utilizzando la proprietà cluster dataproc:dataproc.cluster.caching.enabled=true
.
Esempio:
gcloud dataproc clusters create CLUSTER_NAME \ --region=REGION \ --properties dataproc:dataproc.cluster.caching.enabled=true \ --num-master-local-ssds=2 \ --master-local-ssd-interface=NVME \ --num-worker-local-ssds=2 \ --worker-local-ssd-interface=NVME \ other args ...
API REST
Imposta SoftwareConfig.properties per includere la proprietà cluster "dataproc:dataproc.cluster.caching.enabled": "true"
come parte di una richiesta clusters.create.