Utilizzare la derivazione dei dati in Dataproc

La derivazione dei dati è una funzionalità Dataplex che consente di monitorare come si spostano i dati nei sistemi: da dove provengono, dove vengono trasmessi, e le trasformazioni applicate.

La derivazione dei dati è disponibile per tutti i job Dataproc Spark tranne SparkR, con Dataproc Compute Engine 2.0.74 e versioni successive e 2.1.22 e versioni successive in formato Docker. La derivazione è disponibile per i dati di BigQuery e Cloud Storage fonti.

Dopo aver attivato la funzionalità nel cluster Dataproc, i job Spark di Dataproc acquisiscono gli eventi di eredità e li pubblicano nell'API Data Lineage di Dataplex. Dataproc si integra con l'API Data Lineage tramite OpenLineage, utilizzando il plug-in Spark OpenLineage.

Puoi accedere alle informazioni di derivazione tramite Dataplex, utilizzando seguenti:

Limitazioni

La funzionalità di individuazione della discendenza non è supportata per quanto segue:

  • Connettore BigQuery versione 2 (API di origine dati versione 2 di Spark)
  • Carico di lavoro di streaming Spark

Prima di iniziare

  1. Nella pagina del selettore dei progetti della console Google Cloud, seleziona il progetto che contiene il cluster Dataproc per il quale vuoi monitorare la derivazione.

    Vai al selettore progetti

  2. Abilita l'API Data Lineage e l'API Data Catalog.

    Abilita le API

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per utilizzare la cronologia dei dati in Dataproc, chiedi all'amministratore di concederti i seguenti ruoli IAM nell'account di servizio VM del cluster Dataproc:

Per saperne di più sulla concessione dei ruoli, consulta Gestire l'accesso a progetti, cartelle e organizzazioni.

Potresti anche riuscire a ottenere le autorizzazioni richieste tramite la ruoli o altri ruoli predefiniti ruoli.

Abilita la derivazione dei dati in Dataproc

Attiva la tracciabilità a livello di cluster, in modo che tutti i job Spark inviati nel cluster registrino le informazioni sulla tracciabilità all'API Data Lineage.

Crea un cluster Dataproc

Crea un cluster Dataproc con la proprietà dataproc:dataproc.lineage.enabled impostata su 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

Invia un job Spark

Quando invii un job Spark su un cluster Dataproc creato con la derivazione abilitata, Dataproc acquisisce e registra le informazioni sulla derivazione nell'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

Le proprietà spark.openlineage.namespace e spark.openlineage.appName sono facoltative e vengono utilizzate per identificare in modo univoco il job. Se non superi questi Dataproc utilizza i seguenti valori predefiniti:

  • Valore predefinito per spark.openlineage.namespace: PROJECT_ID
  • Valore predefinito per spark.openlineage.appName: spark.app.name

Visualizzare i grafici della derivazione in Dataplex

Un grafico di visualizzazione della struttura mostra le relazioni tra le risorse del progetto e i processi che le hanno create. Puoi visualizzare la derivazione dei dati informazioni sotto forma di visualizzazione grafico nella console Google Cloud; oppure recuperarlo dall'API Data Lineage sotto forma di dati JSON.

Per saperne di più, consulta Visualizzare i grafici della derivazione nell'interfaccia utente di Dataplex.

Esempio

Considera il seguente job Spark che legge i dati da un BigQuery e scrive in un'altra tabella 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()

Questo job Spark crea il seguente grafico di derivazione nella UI di Dataplex:

Grafo di derivazione di esempio

Disabilita la derivazione dei dati in Dataproc

Dopo aver abilitato Linage durante la creazione di un cluster, non può disabilitare la derivazione a livello di cluster. Per disattivare la concatenazione in un cluster Dataproc, ricrea il cluster senza la proprietà dataproc:dataproc.lineage.enabled.

a disabilitare la derivazione per un particolare job in un cluster creato con derivazione abilitata, devi passare la proprietà spark.extraListeners con quando invii il job.

Passaggi successivi