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
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.
Ativar as APIs Data Lineage e Data Catalog.
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:
-
Visualizar a visualização da linhagem no Data Catalog ou usar a API Data Lineage:
Leitor da linhagem de dados (
roles/datalineage.viewer
) -
Produza a linhagem manualmente usando a API:
Produtor de eventos de linhagem de dados (
roles/datalineage.producer
) -
Edite a linhagem usando a API:
Editor da linhagem de dados (
roles/datalineage.editor
) -
Realizar todas as operações na linhagem:
Administrador da linhagem de dados (
roles/datalineage.admin
)
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:
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
- Saiba mais sobre a linhagem de dados.