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。默认情况下,Dataproc 还会在您的项目中创建一个 Cloud Storage 暂存存储分区和 Cloud Storage 临时存储分区,或者重复使用现有的 Dataproc 创建的暂存和临时存储分区(来自之前的集群创建请求)。

  • 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。此外,它还会接收 Cloud SDK gcloud dataproc clusters diagnose 命令的输出。

  • 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。

如果您没有指定暂存或临时存储分区,Dataproc 会根据集群部署的 Compute Engine 地区为集群的暂存和临时存储分区设置一个美国、亚洲或欧洲的 Cloud Storage 位置,然后创建和管理这些基于位置的项目级存储分区。同一区域内的各集群共用 Dataproc 创建的暂存和临时存储分区。默认情况下,临时存储分区的 TTL 为 90 天。

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

clusters.create 请求中使用 ClusterConfig.configBucketClusterConfig.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 Cloud Console 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:目前不支持使用 Cloud Console 指定临时存储分区。

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 Console 列出集群的暂存存储分区和临时存储分区的名称。

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-...",
}

控制台

在 Cloud Console 中的 Dataproc 集群页面上查看集群详细信息,包括集群暂存存储分区的名称。

注意:目前不支持临时存储分区的控制台显示。

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 core:fs.gs.reported.permissions(Cloud Storage 连接器针对所有文件返回的报告权限)设置为 777。如果您未将 Cloud Storage 设置为默认文件系统,则系统会使用 HDFS,core:fs.gs.reported.permissions 属性将返回 700(默认值)。

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 ...