Usar a linhagem de dados no Dataproc

A linhagem de dados é um recurso do Dataplex que permite acompanhar como os dados se movimentam nos sistemas: origem, destino e quais transformações são aplicadas a eles.

A linhagem de dados está disponível para todos os jobs do Dataproc Spark, exceto o SparkR, com imagens do Dataproc Compute Engine 2.0.74+ e 2.1.22+. A linhagem está disponível para fontes de dados do BigQuery e do Cloud Storage.

Depois de ativar o recurso no cluster do Dataproc, os jobs do Spark do Dataproc capturam eventos de linhagem e os publicam na API Data Lineage do Dataplex. O Dataproc se integra à API Data Lineage usando o OpenLineage, com o plug-in do OpenLineage Spark.

É possível acessar informações de linhagem pelo Dataplex usando o seguinte:

Limitações

A linhagem não tem suporte para o seguinte:

  • Conector do BigQuery versão 2 (versão 2 da API de fonte de dados do Spark)
  • Carga de trabalho do Spark Streaming

Antes de começar

  1. No console do Google Cloud, na página do seletor de projetos, selecione o projeto que contenha o cluster do Dataproc que você quer rastrear linhagem.

    Acessar o seletor de projetos

  2. Ativar as APIs Data Lineage e Data Catalog.

    Ativar as APIs

Funções exigidas

Para ter as permissões necessárias para usar a linhagem de dados no Dataproc, peça ao administrador para conceder a você estes papéis do IAM na conta de serviço da VM do cluster do Dataproc:

Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.

Também é possível conseguir as permissões necessárias por meio de papéis personalizados ou de outros papéis predefinidos.

Ativar a linhagem de dados no Dataproc

Ative a linhagem no nível do cluster, para que todos os jobs do Spark enviados no as informações de linhagem de relatórios de cluster para a API Data Lineage.

Criar um cluster do Dataproc

Crie um cluster do Dataproc com a propriedade dataproc:dataproc.lineage.enabled definida como true.

gcloud dataproc clusters create CLUSTER_NAME \
--region REGION \
--zone ZONE \
--project PROJECT_ID \
--properties 'dataproc:dataproc.lineage.enabled=true' \
--scopes https://www.googleapis.com/auth/cloud-platform

Enviar um job do Spark

Quando você envia um job do Spark em um cluster do Dataproc que foi criado com a linhagem ativada, O Dataproc captura e relata as informações de linhagem para o a API Data Lineage.

gcloud dataproc jobs submit spark \
--project PROJECT_ID \
--cluster=CLUSTER_NAME \
--region REGION \
--class CLASS \
--jars=gs://APPLICATION_BUCKET/spark-application.jar \
--properties=spark.openlineage.namespace=CUSTOM_NAMESPACE,spark.openlineage.appName=CUSTOM_APPNAME

As propriedades spark.openlineage.namespace e spark.openlineage.appName são opcionais e são usados para identificar o trabalho de forma exclusiva. Se você não passar esses propriedades, o Dataproc usa os seguintes valores padrão:

  • Valor padrão de spark.openlineage.namespace: PROJECT_ID
  • Valor padrão de spark.openlineage.appName: spark.app.name

Conferir gráficos de linhagem no Dataplex

Um gráfico de visualização de linhagem mostra as relações entre os recursos do projeto e os processos que os criaram. É possível conferir as informações de linhagem de dados na forma de uma visualização de gráfico no console do Google Cloud ou extraí-las da API Data Lineage no formato de dados JSON.

Para mais informações, consulte Visualizar gráficos de linhagem na interface do Dataplex.

Exemplo

Considere o seguinte job do Spark que lê dados de uma e grava em outra tabela do BigQuery:

#!/usr/bin/env python

from pyspark.sql import SparkSession
import sys

spark = SparkSession \
  .builder \
  .appName('LINEAGE_BQ_TO_BQ') \
  .getOrCreate()

bucket = lineage-ol-test
spark.conf.set('temporaryGcsBucket', bucket)

source = sample.source
words = spark.read.format('bigquery') \
  .option('table', source) \
  .load()
words.createOrReplaceTempView('words')

word_count = spark.sql('SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word')

destination = sample.destination
word_count.write.format('bigquery') \
  .option('table', destination) \
  .save()

Este job do Spark cria o gráfico de linhagem abaixo na interface do Dataplex:

Exemplo de gráfico de linhagem

Desativar a linhagem de dados no Dataproc

Depois de ativar a linhagem ao criar um cluster, não será possível desativar a linhagem no nível do cluster. Para desativar a linhagem em um cluster do Dataproc, recrie o cluster sem a propriedade dataproc:dataproc.lineage.enabled.

Para desativar a linhagem de um job específico em um cluster criado com estiver ativada, será necessário transmitir a propriedade spark.extraListeners com valores ao enviar o job.

A seguir