Generale
Che cos'è Dataproc?
Dataproc è un servizio completamente gestito, veloce, facile da usare, economico e completamente gestito che ti consente di eseguire l'ecosistema Apache Spark e Apache Hadoop su Google Cloud Platform. Dataproc esegue il provisioning di grandi o piccoli cluster rapidamente, supporta molti tipi di job più comuni ed è integrato con altri servizi Google Cloud Platform, come Cloud Storage e Cloud Logging, aiutandoti così a ridurre il TCO.
Qual è la differenza tra Dataproc e i cluster Hadoop tradizionali?
Dataproc è un servizio Spark/Hadoop gestito progettato per semplificare, velocizzare e potenziare Spark e Hadoop. In un deployment Hadoop tradizionale, anche se basato su cloud, devi installare, configurare, amministrare e orchestrare il lavoro sul cluster. Al contrario, Dataproc gestisce la creazione, la gestione, il monitoraggio e l'orchestrazione dei job per te.
Come posso utilizzare Dataproc?
Esistono diversi modi per utilizzare un cluster Dataproc, a seconda delle tue esigenze e delle tue funzionalità. Puoi utilizzare la console Google Cloud basata su browser per interagire con Dataproc. In alternativa, poiché Dataproc è integrato con Google Cloud CLI, puoi utilizzare quest'ultima. Per l'accesso programmatico ai cluster, usa l'API REST Dataproc. Puoi anche creare connessioni SSH ai nodi master o worker del cluster.
Come funziona Dataproc?
Dataproc è un framework gestito che viene eseguito sulla Google Cloud Platform collega diversi strumenti diffusi per l'elaborazione dei dati, tra cui Apache Hadoop, Spark, Hive e Pig. Dataproc dispone di un insieme di meccanismi di controllo e integrazione che coordinano il ciclo di vita, la gestione e il coordinamento dei cluster. Dataproc è integrato con il gestore applicazioni YARN per la gestione e l'uso dei cluster.
Che tipo di job posso eseguire?
Dataproc fornisce supporto immediato e end-to-end per molti dei tipi di job più diffusi, tra cui Spark, Spark SQL, PySpark, MapReduce, Hive e Pig.
Quale gestore del cluster utilizza Dataproc con Spark?
Esecuzioni di Dataproc Accendi su YARN.
Con quale frequenza vengono aggiornati i componenti di Dataproc?
Dataproc viene aggiornato quando si verificano release principali nei componenti sottostanti. (Hadoop, Spark, Hive, Maiale). Ogni release principale di Dataproc supporta specifiche di ogni componente (vedi Versioni di Dataproc supportate).
Dataproc è integrato con altri prodotti della piattaforma Google Cloud?
Sì, Dataproc dispone di integrazioni native e automatiche con Compute Engine, Cloud Storage, Bigtable, BigQuery, Logging e Cloud Monitoring. Inoltre, Dataproc è integrato in strumenti che interagiscono con la piattaforma Cloud tra cui gcloud CLI e la console Google Cloud.
Posso eseguire un cluster permanente?
Una volta avviati, i cluster Dataproc continuano a essere eseguiti fino all'arresto. Puoi eseguire un cluster Dataproc per tutto il tempo necessario.
Gestione dei cluster
Posso eseguire più cluster alla volta?
Sì, puoi eseguire più di un cluster Dataproc per progetto contemporaneamente. Per impostazione predefinita, tutti i progetti sono soggetti quote delle risorse Google Cloud. Puoi facilmente controllare l'utilizzo della quota e richiedere un aumento della quota. Per ulteriori informazioni, consulta Quote delle risorse Dataproc.
Come posso creare o eliminare un cluster?
Puoi creare ed eliminare i cluster in diversi modi. Le sezioni Dataproc nella console Google Cloud semplificano la gestione dei cluster dal browser. I cluster possono essere gestiti anche tramite la riga di comando tramite la CLI gcloud. Per casi d'uso più complessi o avanzati, Cloud Functions L'API REST Dataproc può essere utilizzata per gestire i cluster in modo programmatico.
Posso applicare impostazioni personalizzate quando creo un cluster?
Dataproc supporta le azioni di inizializzazione che vengono eseguite quando viene creato un cluster. Queste azioni di inizializzazione possono essere script o eseguibili che Dataproc eseguirà durante il provisioning del cluster per personalizzare le impostazioni, installare applicazioni o apportare altre modifiche al cluster.
Come faccio a determinare le dimensioni di un cluster in base alle mie esigenze?
Le decisioni relative alle dimensioni dei cluster sono influenzate da diversi fattori, tra cui il tipo il lavoro da svolgere, i limiti di costo, i requisiti di velocità e quota. Poiché il deployment di Dataproc può essere eseguito su diversi tipi di macchine, avrai la flessibilità di scegliere le risorse di cui hai bisogno, quando ne hai bisogno.
Posso ridimensionare il mio cluster?
Sì, puoi ridimensionare facilmente il cluster, anche durante l'elaborazione dei job. Puoi ridimensionare il cluster tramite la console Google Cloud o la riga di comando. Il ridimensionamento può aumentare o diminuire il numero di worker in un cluster. I worker aggiunti a un cluster avranno lo stesso tipo e le stesse dimensioni di quelli esistenti. Il ridimensionamento dei cluster è accettabile e supportato, tranne che in casi speciali, ad esempio riducendo il numero di worker a uno o riducendo la capacità HDFS al di sotto la quantità necessaria per il completamento del job.
Gestione di job e flussi di lavoro
Come faccio a inviare job nel mio cluster?
Esistono diversi modi per inviare job su un cluster Dataproc. Il modo più semplice è utilizzare la pagina Invia un job di Dataproc nella console Google Cloud o il comando gcloud dataproc jobs submit dell'interfaccia a riga di comando gcloud. Per l'invio di job di pubblicità programmatica, consulta Riferimento API Dataproc.
Posso eseguire più job alla volta?
Sì, puoi eseguire più di un job alla volta su un cluster Dataproc. Nuvola Dataproc utilizza un Resource Manager (YARN) e strumenti come la scalabilità con Spark, per ottimizzare l'uso delle risorse in un cluster. Le prestazioni dei job aumenteranno in base alle dimensioni del cluster e al numero di job attivi.
Posso annullare i job sul mio cluster?
Assolutamente. I job possono essere annullati tramite la console Google Cloud all'interfaccia web o dalla riga di comando. Dataproc utilizza l'applicazione YARN per arrestare i job su richiesta.
Posso automatizzare i job sul mio cluster?
I job possono essere automatizzati per l'esecuzione sui cluster tramite diversi meccanismi. Puoi utilizzare l'interfaccia a riga di comando Google Cloud gcloud o le API REST di Dataproc per automatizzare la gestione e il flusso di lavoro di cluster e job.
Sviluppo
Quali linguaggi di sviluppo sono supportati?
Puoi utilizzare i linguaggi supportati dall'ecosistema Spark/Hadoop, tra cui Java, Scala, Python e R.
Dataproc ha un'API?
Sì, Dataproc dispone di un insieme di API RESTful che ti consentono di interagire programmaticamente con cluster e job.
Posso connettermi tramite SSH a un cluster?
Sì, puoi utilizzare SSH per connetterti a ogni macchina (nodo master o worker) all'interno di un cluster. Puoi utilizzare SSH da un browser o dalla riga di comando.
Posso accedere alle UI web di Spark/Hadoop?
Sì, le UI di Hadoop e Spark (UI di Spark, Hadoop, YARN) sono accessibili all'interno di un cluster. Anziché aprire le porte per le UI, consigliamo di usare un tunnel SSH, che inoltrerà in modo sicuro il traffico dai cluster sulla connessione SSH.
Posso installare o gestire software sul mio cluster?
Sì, come con un cluster o un server Hadoop, puoi installare e gestire software su in un cluster Dataproc.
Qual è il fattore di replica predefinito?
Per via di considerazioni sulle prestazioni e sull'elevata affidabilità dello spazio di archiviazione collegato ai cluster Dataproc, il fattore di replica predefinito è impostato su 2.
Quale sistema operativo viene utilizzato per Dataproc?
Dataproc è basato su Debian e Ubuntu. Le immagini più recenti sono basate su Debian 10 Buster e Ubuntu 18.04 LTS.
Dove posso trovare informazioni sullo streaming di Hadoop?
Puoi consultare la documentazione del progetto Apache.
Come faccio a installare il comando gcloud dataproc?
Quando installi gcloud CLI, viene installato lo strumento a riga di comando gcloud
standard, inclusi i comandi gcloud dataproc.
Accesso ai dati e disponibilità
Come posso far entrare e uscire i dati da un cluster?
Dataproc utilizza il file system distribuito (HDFS, Hadoop Distributed File System) per l'archiviazione. Inoltre, Dataproc installa automaticamente il connettore Google Cloud Storage compatibile con HDFS, che consente l'utilizzo di Cloud Storage in parallelo con HDFS. I dati possono essere spostati all'interno e all'esterno di un cluster tramite caricamento/download su HDFS o Cloud Storage.
Posso utilizzare Cloud Storage con Dataproc?
Sì, i cluster Dataproc installano automaticamente Cloud Storage di rete. Ci sono numerosi vantaggi nella scelta di Cloud Storage rispetto HDFS tradizionale, tra cui persistenza dei dati, affidabilità e prestazioni.
Posso ricevere assistenza per il connettore Cloud Storage?
Sì, quando utilizzato con Dataproc, il connettore Cloud Storage
è supportato allo stesso livello di Dataproc (vedi
Richiedi assistenza). Tutti gli utenti del connettore
possono usare il tag google-cloud-dataproc
Stack Overflow
per domande e risposte sul connettore.
Quali sono le dimensioni ideali dei file per i set di dati su HDFS e Cloud Storage?
Per migliorare le prestazioni, archivia i dati in file di dimensioni maggiori, ad esempio tra 256 MB e 512 MB.
Quanto è affidabile Dataproc?
Dataproc è basato su Google Cloud Platform affidabile e comprovata tra cui Compute Engine, Cloud Storage e Monitoring è progettato per garantire disponibilità e affidabilità elevate. Come prodotto in disponibilità generale, puoi esaminare SLA (accordo sul livello del servizio) di Dataproc.
Cosa succede ai miei dati quando un cluster viene arrestato?
Tutti i dati in Cloud Storage rimangono invariati dopo l'arresto del cluster. Questo è uno dei motivi per scegliere Cloud Storage anziché HDFS poiché i dati HDFS viene rimossa all'arresto di un cluster (a meno che non venga trasferito posizione prima dell'arresto).
Logging, monitoraggio e debug
Che tipo di logging e monitoraggio è disponibile?
Per impostazione predefinita, i cluster Dataproc sono integrati con Monitoring e Logging. Il monitoraggio e il logging consentono di ottenere facilmente informazioni dettagliate sull'integrità, sulle prestazioni e sullo stato dei cluster Dataproc. Sia i log delle applicazioni (YARN, Spark e così via) sia i log di sistema vengono inoltrati a Logging.
Come posso visualizzare i log da Dataproc?
Puoi visualizzare i log di Dataproc in diversi modi. Puoi visitare Logging per visualizzare i log aggregati del cluster in un browser web. Inoltre, puoi utilizzare la riga di comando (SSH) per visualizzare manualmente i log o monitorare gli output dell'applicazione. Infine, i dettagli sono disponibili anche tramite le UI web delle applicazioni Hadoop, come l'interfaccia web YARN.
Come si possono monitorare i cluster?
I cluster possono essere monitorati facilmente tramite la sezione Monitoring o Cloud Dataproc della console Google Cloud. Puoi e monitorare i cluster tramite l'accesso da riga di comando (SSH) o Interfacce web (Spark, YARN e così via).
Sicurezza e accesso
Come vengono protetti i miei dati?
Google Cloud Platform utilizza un modello di sicurezza avanzato, valido anche per le applicazioni Dataproc. Dataproc fornisce autenticazione, autorizzazione e crittografia come SSL, per proteggere i dati. I dati possono essere criptati dall'utente in transito da e verso un cluster, al momento della creazione del cluster o dell'invio del job.
How can I control access to my Dataproc cluster?
La piattaforma Google Cloud offre meccanismi di autenticazione che possono essere utilizzati con Dataproc. L'accesso ai cluster e ai job Dataproc può essere concesso agli utenti a livello di progetto.
Fatturazione
Come viene fatturata Dataproc?
Dataproc viene fatturato al secondo e si basa sulle dimensioni di un cluster e sul periodo di tempo in cui il cluster è operativo. Nel calcolo del cluster componente della tariffa, Dataproc addebita una tariffa fissa in base al numero di CPU virtuali (vCPU) in un cluster. Questo costo fisso è lo stesso indipendentemente dal del tipo di macchina o delle dimensioni delle risorse Compute Engine utilizzate.
Mi vengono addebitati i costi per altre risorse Google Cloud?
Sì, l'esecuzione di un cluster Dataproc comporta addebiti per altri cluster Google Cloud di risorse utilizzate nel cluster, ad esempio Compute Engine e Cloud Storage. Ogni articolo è indicato separatamente nella fattura, in modo da sapere esattamente come vengono calcolati e assegnati i costi.
È previsto un periodo di tempo minimo o massimo per la fatturazione?
Gli addebiti di Google Cloud vengono calcolati in base ai secondi, non alle ore. Al momento, Compute Engine ha un incremento di fatturazione minimo di 1 minuto. Pertanto, Dataproc ha anche un incremento di fatturazione minimo di 1 minuto.
Disponibilità
Chi può creare un cluster Dataproc?
Dataproc è generalmente disponibile, il che significa che tutti i Google Cloud Platform che i clienti possano utilizzarlo.
In quali regioni è disponibile Dataproc?
Dataproc è disponibile in tutte le regioni e le zone di Google Cloud completamente gestita.