Dataproc 暂存存储分区和临时存储分区

当您创建集群时，HDFS 会被用作默认文件系统。您可以通过将 defaultFS 设置为 Cloud Storage 存储分区来替换此行为。修改者 默认情况下，Dataproc 还会创建 Cloud Storage 预演 项目中的 Cloud Storage 临时存储桶，或重复使用现有的 Dataproc 在之前集群中创建的暂存存储分区和临时存储分区 创建请求

  • 暂存存储分区：用于暂存集群作业依赖项、作业驱动程序输出和集群配置文件。还会接收来自 gcloud CLI 的输出 gcloud dataproc clusters diagnose 命令。

  • 临时存储分区：用于存储临时集群和作业数据，例如 Spark 和 MapReduce 历史记录文件。

如果您在创建集群时未指定暂存存储桶或临时存储桶， Dataproc 将 Cloud Storage 位置设在美国、亚洲、 或欧盟（针对集群的暂存存储分区和临时存储分区） 根据部署集群的 Compute Engine 可用区， 然后为每个位置创建和管理这些项目级存储分区。 Dataproc 创建的暂存存储分区和临时存储分区 同一区域的各集群之间共享 Cloud Storage 软删除保留 持续时间设置为 0 秒。

临时存储桶包含临时数据，TTL 为 90 天。 暂存存储桶，可以包含配置数据 多个集群所需的资源和依赖项文件 没有 TTL。不过，您可以将生命周期规则应用于 依赖项文件 （文件扩展名为“.jar”的文件位于暂存存储桶文件夹中） ，以便在依赖项文件不再存在时 集群所需的资源

创建您自己的暂存存储分区和临时存储分区

您也可以指定现有 Cloud Storage 存储分区供 Dataproc 用作集群暂存存储分区和临时存储分区，而非依靠创建默认的暂存存储分区和临时存储分区。

gcloud 命令

使用 --bucket 和/或 --temp-bucket 在终端窗口或 Cloud Shell 中在本地运行 gcloud dataproc clusters create 命令，以指定集群的暂存存储分区和/或临时存储分区。

gcloud dataproc clusters create cluster-name \
    --region=region \
    --bucket=bucket-name \
    --temp-bucket=bucket-name \
    other args ...

REST API

在 clusters.create 请求中使用 ClusterConfig.configBucket 和 ClusterConfig.tempBucket 字段指定集群的暂存存储分区和临时存储分区。

控制台

在 Google Cloud 控制台中，打开 Dataproc 创建集群 页面。选择“自定义集群”面板，然后使用“文件存储”字段指定或选择集群的暂存存储分区。

注意：目前，使用 Google Cloud 控制台指定临时存储桶 不受支持。

Dataproc 会将已定义的文件夹结构用于附加到集群的 Cloud Storage 存储分区。Dataproc 还支持将多个集群连接到 Cloud Storage 存储分区。用于在 Cloud Storage 中保存作业驱动程序输出的文件夹结构如下：

cloud-storage-bucket-name
  - google-cloud-dataproc-metainfo
    - list of cluster IDs
        - list of job IDs
          - list of output logs for a job

您可以使用 gcloud 命令行工具、Dataproc API 或 Google Cloud 控制台中列出集群的暂存存储分区和临时存储分区的名称。

控制台

  • \查看集群详情（包括集群暂存存储桶的名称）， Dataproc 集群 页面。
  • 在 Google Cloud 控制台中 Cloud Storage 浏览器 页面上，过滤包含“Dataproc-temp-”的结果。

gcloud 命令

在终端窗口或 Cloud Shell 中本地运行 gcloud dataproc clusters describe 命令。输出中会列出与集群关联的暂存存储分区和临时存储分区。

gcloud dataproc clusters describe cluster-name \
    --region=region \
...
clusterName: cluster-name
clusterUuid: daa40b3f-5ff5-4e89-9bf1-bcbfec ...
config:
    configBucket: dataproc-...
    ...
    tempBucket: dataproc-temp...

REST API

调用 clusters.get 可列出集群详细信息，包括集群暂存存储分区和临时存储分区的名称。

{
 "projectId": "vigilant-sunup-163401",
 "clusterName": "cluster-name",
 "config": {
  "configBucket": "dataproc-...",
...
  "tempBucket": "dataproc-temp-...",
}

defaultFS

您可以将 core:fs.defaultFS 设置为 Cloud Storage 中的存储分区位置 (gs://defaultFS-bucket-name)，以将 Cloud Storage 设为默认文件系统。此操作还会将 Cloud Storage 连接器为所有文件返回报告的权限 core:fs.gs.reported.permissions 设置为 777。

如果未将 Cloud Storage 设为默认文件系统，系统将使用 HDFS，并且 core:fs.gs.reported.permissions 属性将返回默认值 700。 

gcloud dataproc clusters create cluster-name \
    --properties=core:fs.defaultFS=gs://defaultFS-bucket-name \
    --region=region \
    --bucket=staging-bucket-name \
    --temp-bucket=temp-bucket-name \
    other args ...