Abilita la derivazione dei dati Spark in Dataproc

Questo documento descrive come attivare data lineage per i job Dataproc Spark a livello di progetto o di cluster.

La derivazione dei dati è una funzionalità di Dataplex Universal Catalog che consente di monitorare il modo in cui i dati vengono trasferiti nei sistemi: da dove provengono, dove vengono inviati e a quali trasformazioni sono sottoposti.

La derivazione dei dati è disponibile per tutti i job Spark Dataproc, ad eccezione dei job SparkR e Spark streaming, e supporta le origini dati BigQuery e Cloud Storage. È incluso in Dataproc su Compute Engine 2.0.74+, 2.1.22+, 2.2.50 e versioni successive delle immagini.

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

Puoi accedere alle informazioni sulla derivazione dei dati tramite Dataplex Universal Catalog utilizzando quanto segue:

Prima di iniziare

  1. Nella console Google Cloud , nella pagina di selezione del progetto, seleziona il progetto che contiene il cluster Dataproc per cui vuoi monitorare la derivazione.

    Vai al selettore dei progetti

  2. Abilita l'API Data Lineage.

    Abilita le API

Ruoli obbligatori

Se crei un cluster Dataproc utilizzando l'account di servizio VM predefinito, ha il ruolo Dataproc Worker, che attiva la derivazione dei dati. Non sono necessari ulteriori interventi.

Tuttavia, se crei un cluster Dataproc che utilizza un service account personalizzato, per attivare la derivazione dei dati sul cluster, devi concedere un ruolo richiesto al account di servizio personalizzato come spiegato nel paragrafo seguente.

Per ottenere le autorizzazioni necessarie per utilizzare la derivazione dei dati con Dataproc, chiedi all'amministratore di concederti i seguenti ruoli IAM sull'account di servizio personalizzato del cluster:

Per ulteriori informazioni sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

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

Abilitare la derivazione dei dati Spark a livello di progetto

Puoi attivare la derivazione dei dati Spark a livello di progetto. I job Spark supportati eseguiti sui cluster creati dopo l'attivazione della derivazione dei dati in un progetto avranno la derivazione dei dati abilitata. Tieni presente che i job eseguiti su cluster esistenti, ovvero cluster creati prima dell'attivazione della derivazione dei dati a livello di progetto, non avranno la derivazione dei dati abilitata.

Abilitare la derivazione dei dati Spark a livello di progetto

Per attivare la derivazione dei dati Spark a livello di progetto, imposta i seguenti metadati di progetto personalizzati:

Chiave Valore
DATAPROC_LINEAGE_ENABLED true
DATAPROC_CLUSTER_SCOPES https://www.googleapis.com/auth/cloud-platform

Puoi disattivare la derivazione dei dati Spark a livello di progetto impostando i metadati DATAPROC_LINEAGE_ENABLED su false.

Abilita la derivazione dei dati Spark a livello di cluster

Puoi attivare la derivazione dei dati Spark quando crei un cluster in modo che tutti i job Spark supportati inviati al cluster abbiano la derivazione dei dati attivata.

Abilita la derivazione dei dati Spark a livello di cluster

Per attivare la derivazione dei dati Spark su un cluster, crea un cluster Dataproc con la proprietà del cluster dataproc:dataproc.lineage.enabled impostata su true.

Cluster con versione immagine 2.0: l'ambito cloud-platform di accesso alle VM del cluster Dataproc è necessario per la derivazione dei dati Spark. I cluster con versione immagine Dataproc creati con la versione immagine 2.1 e successive hanno cloud-platform abilitato. Se specifichi la versione dell'immagine Dataproc 2.0 quando crei un cluster, imposta ambito su cloud-platform.

Esempio di gcloud CLI:

gcloud dataproc clusters create CLUSTER_NAME \
    --project PROJECT_ID \
    --region REGION \
    --properties 'dataproc:dataproc.lineage.enabled=true'

Disabilitare la derivazione dei dati Spark in un job

Se abiliti la lineage dei dati Spark a livello di cluster, puoi disabilitarla in un job specifico passando la proprietà spark.extraListeners con un valore vuoto ("") quando invii il job.

Una volta abilitata, non puoi disattivare la derivazione dei dati Spark sul cluster. Per eliminare la derivazione dei dati Spark in tutti i job del cluster, puoi ricreare il cluster senza la proprietà dataproc:dataproc.lineage.enabled.

Invia un job Spark

Quando invii un job Spark su un cluster Dataproc creato con la derivazione dei dati Spark abilitata, Dataproc acquisisce e segnala le informazioni sulla derivazione dei dati all'API Data Lineage.

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

Note:

  • L'aggiunta delle proprietà spark.openlineage.namespace e spark.openlineage.appName, che vengono utilizzate per identificare in modo univoco il job, è facoltativa. Se non aggiungi queste proprietà, Dataproc utilizza i seguenti valori predefiniti:
    • Valore predefinito per spark.openlineage.namespace: PROJECT_ID
    • Valore predefinito per spark.openlineage.appName: spark.app.name

Visualizza la derivazione nel Catalogo universale Dataplex

Un grafico di derivazione mostra le relazioni tra le risorse del progetto e i processi che le hanno create. Puoi visualizzare le informazioni sulla derivazione dei dati nella console Google Cloud o recuperarle dall'API Data Lineage sotto forma di dati JSON.

Codice di esempio PySpark:

Il seguente job PySpark legge i dati da una tabella BigQuery pubblica e poi scrive l'output in una nuova tabella in un set di dati BigQuery esistente. Utilizza un bucket Cloud Storage per l'archiviazione temporanea.

#!/usr/bin/env python

from pyspark.sql import SparkSession
import sys

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

bucket = 'gs://BUCKET`
spark.conf.set('temporaryCloudStorageBucket', bucket)

source = 'bigquery-public-data:samples.shakespeare'
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_table = 'PROJECT_ID:DATASET.TABLE'
word_count.write.format('bigquery') \
  .option('table', destination_table) \
  .save()

Effettua le seguenti sostituzioni:

  • BUCKET: il nome di un bucket Cloud Storage esistente.

  • PROJECT_ID, DATASET e TABLE: inserisci l'ID progetto, il nome di un set di dati BigQuery esistente e il nome di una nuova tabella da creare nel set di dati (la tabella non deve esistere).

Puoi visualizzare il grafico della derivazione nella UI di Dataplex Universal Catalog.

Grafico di derivazione di esempio

Passaggi successivi