Conector do Cloud Storage

O conector do Cloud Storage é uma biblioteca Java de código aberto que permite executar os jobs do Apache Hadoop ou do Apache Spark diretamente em dados no Cloud Storage e oferece um número de benefícios em relação à escolha do Hadoop Distributed File System (HDFS).

Suporte do conector. O conector do Cloud Storage tem o suporte do Google Cloud para uso com produtos e casos de uso do Google Cloud e, quando usado com o Dataproc, tem o mesmo suporte que o Dataproc (consulte Como receber suporte).

Benefícios do conector do Cloud Storage

• Acesso direto a dados: armazene seus dados no Cloud Storage e acesse-os diretamente. Não é necessário transferi-lo antes para o HDFS.
• Compatibilidade com HDFS: você pode acessar facilmente seus dados no Cloud Storage usando o prefixo gs:// em vez de hdfs://.
• Interoperabilidade: armazenar dados no Cloud Storage permite interoperabilidade ininterrupta entre os serviços do Spark, do Hadoop e outros do Google.
• Acessibilidade de dados: ao encerrar um cluster do Hadoop, ao contrário do HDFS, você continua tendo acesso aos seus dados no Cloud Storage.
• Alta disponibilidade de dados: dados armazenados no Cloud Storage estão amplamente disponíveis e são replicados globalmente sem perda de desempenho.
• Não há sobrecarga de gerenciamento de armazenamento: diferentemente do HDFS, o Cloud Storage não exige uma rotina de manutenção, como verificação do sistema de arquivos, upgrade ou downgrade para versões anteriores do sistema de arquivos.
• Inicialização rápida: no HDFS, um job do MapReduce não pode iniciar até que o NameNode esteja fora do modo de segurança, um processo que pode levar de alguns segundos ou muitos minutos, dependendo do tamanho e do estado dos seus dados. Com o Cloud Storage, inicie o job assim que os nós de tarefa começarem, o que gera uma economia significativa no longo prazo.

Como adquirir o conector

Clusters do Dataproc

O conector do Cloud Storage é instalado por padrão em todos os nós do cluster do Dataproc no diretório /usr/local/share/google/dataproc/lib/.

Se o aplicativo usar uma versão de conector diferente da versão do conector implantada no cluster do Dataproc, será preciso:

1. criar um novo cluster com a sinalização --metadata GCS_CONNECTOR_VERSION=x.y.z, que atualizará o conector usado pelo seu aplicativo para a versão do conector especificada ou
2. incluir e realocar as classes do conector e as dependências do conector da versão que você está usando no jar do aplicativo para que a versão do conector não entre em conflito com a versão do conector implantada no cluster do Dataproc (veja este exemplo de realocação de dependências no Maven).

Outros clusters do Spark/Hadoop

Para fazer o download do conector do Cloud Storage para Hadoop:

• versão mais recente localizada no bucket do Cloud Storage (não recomendado para uso em produção):
  • Conector do Cloud Storage para Hadoop 1.x
  • Conector do Cloud Storage para Hadoop 2.x
  • Conector do Cloud Storage para Hadoop 3.x
• versão específica do bucket do Cloud Storage substituindo as versões do conector do Hadoop e do Cloud Storage no padrão de nome gcs-connector-HADOOP_VERSION-CONNECTOR_VERSION.jar:
  • gs://hadoop-lib/gcs/gcs-connector-hadoop2-2.1.1.jar
• versão específica do repositório do Apache Maven (faça o download de um jar sombreado com o sufixo -shaded no nome):
  • Conector do Cloud Storage para Hadoop 1.x
  • Conector do Cloud Storage para Hadoop 2.x
  • Conector do Cloud Storage para Hadoop 3.x

Consulte Como instalar o conector do Cloud Storage para instalar e configurar o conector.

Como usar o conector

Há várias maneiras de acessar dados armazenados no Cloud Storage:

• Em um aplicativo Spark ou PySpark ou Hadoop usando o prefixo gs://.
• O shell do hadoop: hadoop fs -ls gs://bucket/dir/file.
• O navegador Cloud Storage do Cloud Console.
• Usando os comandos gsutil cp ou gsutil rsync.

Recursos

• Usar o conector do Cloud Storage com o Apache Spark
• API FileSystem do Apache Hadoop

Versão do Java

O conector do Cloud Storage requer o Java 8.

Informações de dependências do Apache Maven

<dependency>
    <groupId>com.google.cloud.bigdataoss</groupId>
    <artifactId>gcs-connector</artifactId>
    <version>insert "hadoopX-X.X.X" connector version number here</version>
    <scope>provided</scope>
</dependency>

Para saber informações mais detalhadas, consulte as Notas de lançamento do conector do Cloud Storage e a referência do Javadoc.

A seguir

• Saiba mais sobre o Cloud Storage