En esta página, se describe cómo preparar los archivos Avro desde los que exportaste. que no sean de Spanner y, luego, importarlos a Spanner. Si importar una base de datos de Spanner que ya exportaste, consulta Importa archivos Avro de Spanner.
El proceso usa Dataflow, que importa datos de un depósito de Cloud Storage que contiene un conjunto de archivos Avro y un archivo de manifiesto JSON que especifica las tablas de destino y los archivos Avro que propagan cada tabla.
Antes de comenzar
Para importar una base de datos de Spanner, primero debes habilitar la conexión de Spanner, Cloud Storage, Compute Engine y las API de Dataflow:
También necesitas una cuota suficiente y los permisos necesarios de IAM.
Requisitos de cuota
Los requisitos de cuota para los trabajos de importación son los siguientes:
- Spanner: Debes tener suficiente capacidad de procesamiento para admitir la cantidad de datos que importas. No se requiere capacidad de procesamiento adicional para importar una base de datos, aunque es posible que debas agregar más capacidad de procesamiento a fin de que el trabajo se complete en un tiempo razonable. Consulta Optimiza trabajos para obtener más detalles.
- Cloud Storage: Para importar, debes tener un depósito que contenga los archivos exportados con anterioridad. No es necesario que establezcas un tamaño para tu bucket.
- Dataflow: Los trabajos de importación están sujetos a las mismas cuotas de Compute Engine de direcciones IP, uso del disco y CPU que otros trabajos de Dataflow.
Compute Engine: Antes de ejecutar el trabajo de importación, debes establecer las cuotas iniciales para Compute Engine, que Dataflow usa. Estas cuotas representan la cantidad máxima de recursos que permites que Dataflow use para tu trabajo. Los valores iniciales recomendados son los siguientes:
- CPU: 200
- Direcciones IP en uso: 200
- Disco persistente estándar: 50 TB
Por lo general, no es necesario hacer ningún otro ajuste. Dataflow proporciona ajuste de escala automático para que solo pagues por los recursos que sí se usan durante la importación. Si tu trabajo puede hacer uso de más recursos, la IU de Dataflow muestra un ícono de advertencia. El trabajo debería completarse incluso si hay un ícono de advertencia.
Requisitos de IAM
Para importar una base de datos, también necesitas tener funciones de IAM con permisos suficientes para usar todos los servicios involucrados en un trabajo de importación. Para obtener información sobre cómo otorgar roles y permisos, consulta Aplica roles de IAM.
Para importar una base de datos, necesitas las funciones mencionadas a continuación:
- A nivel de proyecto de Google Cloud:
- Visualizador de Spanner (
roles/spanner.viewer) - Administrador de Dataflow (
roles/dataflow.admin) - Administrador de almacenamiento (
roles/storage.admin)
- Visualizador de Spanner (
- A nivel de la base de datos o de la instancia de Spanner, o a
Nivel de proyecto de Google Cloud:
- Lector de base de datos de Spanner (
roles/spanner.databaseReader) - Administrador de base de datos de Spanner (
roles/spanner.databaseAdmin)
- Lector de base de datos de Spanner (
Exporta datos de una base de datos que no sea de Spanner a archivos Avro
El proceso de importación incluye datos de archivos Avro ubicados en un bucket de Cloud Storage. Puedes exportar datos en formato Avro desde cualquier fuente y puedes usar cualquier método disponible para hacerlo.
Para exportar datos de una base de datos que no es de Spanner a archivos Avro, sigue estos pasos: estos pasos:
Cuando exportes tus datos, ten en cuenta lo siguiente:
- Puedes exportar mediante el uso de cualquiera de los tipos primitivos de Avro y el tipo de arreglo complejo.
Cada columna de tus archivos Avro debe usar uno de los siguientes tipos de columnas:
ARRAYBOOLBYTES*DOUBLEFLOATINTLONG†STRING‡
* Se usa una columna de tipo
BYTESpara importar unNUMERICde Spanner. consulta asignaciones recomendadas a continuación para obtener más detalles.†,‡ Puedes importar un
LONGalmacenando una marca de tiempo o unSTRINGque almacena un marca de tiempo comoTIMESTAMPde Spanner; ver asignaciones recomendadas a continuación para obtener más detalles.No es necesario incluir ni generar metadatos cuando se exportan los archivos Avro.
No es necesario que sigas ninguna convención de nombres específica para tus archivos.
Si no exportas tus archivos directamente a Cloud Storage, debes subir los archivos Avro a un bucket de Cloud Storage. Para obtener información consulta Sube objetos a Cloud Storage.
Importa archivos Avro desde bases de datos que no sean de Spanner a Spanner
Para importar archivos Avro de una base de datos que no es de Spanner a Spanner, sigue estos pasos: sigue estos pasos:
- Crear tablas de destino y definir el esquema para tu base de datos de Spanner
- Crea un archivo
spanner-export.jsonen tu bucket de Cloud Storage. - Ejecutar un trabajo de importación de Dataflow con gcloud CLI
Paso 1: Crea el esquema para la base de datos de Spanner
Antes de ejecutar la importación, debes crear la tabla de destino en Spanner y definir su esquema.
Debes crear un esquema que use el tipo de columna adecuado para cada columna en los archivos Avro.
Asignaciones recomendadas
GoogleSQL
| Tipo de columna Avro | Tipo de columna de Spanner |
|---|---|
ARRAY |
ARRAY |
BOOL |
BOOL |
BYTES |
|
DOUBLE |
FLOAT64 |
FLOAT |
FLOAT64 |
INT |
INT64 |
LONG |
|
STRING |
|
PostgreSQL
| Tipo de columna Avro | Tipo de columna de Spanner |
|---|---|
ARRAY |
ARRAY |
BOOL |
BOOLEAN |
BYTES |
|
DOUBLE |
DOUBLE PRECISION |
FLOAT |
DOUBLE PRECISION |
INT |
BIGINT |
LONG |
|
STRING |
|
Paso 2: Crea un archivo spanner-export.json
También debes crear un archivo llamado spanner-export.json en tu depósito de Cloud Storage. Este archivo especifica el dialecto de la base de datos y
contiene un array tables que enumera
el nombre y las ubicaciones
de los archivos de datos de cada tabla.
El contenido del archivo tiene el formato que se menciona a continuación:
{
"tables": [
{
"name": "TABLE1",
"dataFiles": [
"RELATIVE/PATH/TO/TABLE1_FILE1",
"RELATIVE/PATH/TO/TABLE1_FILE2"
]
},
{
"name": "TABLE2",
"dataFiles": ["RELATIVE/PATH/TO/TABLE2_FILE1"]
}
],
"dialect":"DATABASE_DIALECT"
}
Donde DATABASE_DIALECT = {GOOGLE_STANDARD_SQL | POSTGRESQL}
Si se omite el elemento de dialecto, el dialecto predeterminado es GOOGLE_STANDARD_SQL.
Paso 3: Ejecuta un trabajo de importación de Dataflow con gcloud CLI
Para iniciar el trabajo de importación, sigue las instrucciones para usar Google Cloud CLI. para ejecutar un trabajo con la plantilla de Avro a Spanner.
Después de iniciar un trabajo de importación, puedes ver los detalles del trabajo en la consola de Google Cloud.
Cuando finalice el trabajo de importación, agrega las claves externas y los índices secundarios necesarios.
Elige una región para tu trabajo de importación
Puedes elegir una región diferente según la ubicación de tu bucket de Cloud Storage. Para evitar cargos de transferencia de datos salientes, elige una región que coincida con la ubicación de tu bucket de Cloud Storage.
Si la ubicación de tu bucket de Cloud Storage es una región, puedes puedes aprovechar el uso gratuito de la red eligiendo misma región para el trabajo de importación, suponiendo que la región esté disponible.
Si la ubicación de tu bucket de Cloud Storage es una región doble, puedes aprovechar el uso gratuito de la red si eliges es una de las dos regiones que conforman la región doble para el trabajo de importación siempre que una de las regiones esté disponible.
Si una región con ubicación compartida no está disponible para tu trabajo de importación o si tu La ubicación del bucket de Cloud Storage es una multirregión, se aplican cargos de transferencia de datos salientes. Consulta Cloud Storage transferencia de datos para elegir una región que incurra los costos de transferencia de datos más bajos.
Visualiza o soluciona problemas de trabajos en la IU de Dataflow
Después de iniciar un trabajo de importación, puedes ver los detalles del trabajo, incluido en la sección Dataflow de la consola de Google Cloud.
Ver los detalles del trabajo de Dataflow
Para ver los detalles de cualquier trabajo de importación o exportación que ejecutes durante la última semana, incluidos los trabajos que se estén ejecutando:
- Navega hasta la página Descripción general de la base de datos de la base de datos.
- Haz clic en el elemento de menú del panel izquierdo Importar/Exportar. En la página Importar/Exportar de la base de datos, se muestra una lista de trabajos recientes.
En la página Importar/Exportar de la base de datos, haz clic en el nombre del trabajo en la columna Nombre del trabajo de Dataflow:
En la consola de Google Cloud, se muestran los detalles del el trabajo.
Para ver un trabajo que ejecutaste hace más de una semana, sigue estos pasos:
Ve a la página de trabajos de Dataflow en la consola de Google Cloud.
Busca tu trabajo en la lista y haz clic sobre su nombre.
En la consola de Google Cloud, se muestran los detalles del el trabajo.
Ver los registros de Dataflow para tu trabajo
Para ver los registros de un trabajo de Dataflow, navega hasta la página de detalles del trabajo como se describió con anterioridad y, luego, haz clic en Registros a la derecha del nombre del trabajo.
Si un trabajo falla, busca errores en los registros. Si hay errores, el recuento de errores se muestra junto a Registros (Logs):
Para ver los errores del trabajo, sigue estos pasos:
Haz clic en el recuento de errores junto a Registros (Logs).
En la consola de Google Cloud, se muestran los registros del trabajo. Es posible que debas desplazarte para ver los errores.
Identifica las entradas con el ícono de error
.Haz clic en una entrada de registro individual para expandir su contenido.
Si necesitas más información para solucionar problemas de trabajos de Dataflow, consulta Soluciona problemas de tu canalización.
Soluciona problemas relacionados con los trabajos de importación con errores
Si ves los siguientes errores en tus registros de trabajos, haz lo siguiente:
com.google.cloud.spanner.SpannerException: NOT_FOUND: Session not found --or-- com.google.cloud.spanner.SpannerException: DEADLINE_EXCEEDED: Deadline expired before operation could complete.
Consulta el Un 99% de latencia de escritura en el Pestaña Monitoring de tu base de datos de Spanner en la Consola de Google Cloud Si se muestran valores altos (de varios segundos), eso indica que la instancia está sobrecargada, lo que hace que las escrituras agoten el tiempo de espera y fallen.
Una de las causas de la latencia alta es que el trabajo de Dataflow se ejecuta y usa demasiados lo que genera demasiada carga en la instancia de Spanner.
Especificar un límite en la cantidad de trabajadores de Dataflow, en lugar de usar el Pestaña Import/Export en la página de detalles de la instancia de Spanner en la consola de Google Cloud, debes iniciar importar con Dataflow Plantilla de Cloud Storage Avro a Cloud Spanner y especifica la cantidad máxima de trabajadores como se describe a continuación:Si usas la consola de Dataflow, el parámetro Cantidad máxima de trabajadores se encuentra en la sección Parámetros opcionales de la página Crear un trabajo a partir de una plantilla.
Si usas gcloud, especifica el argumento
max-workers. Por ejemplo:gcloud dataflow jobs run my-import-job \ --gcs-location='gs://dataflow-templates/latest/GCS_Avro_to_Cloud_Spanner' \ --region=us-central1 \ --parameters='instanceId=test-instance,databaseId=example-db,inputDir=gs://my-gcs-bucket' \ --max-workers=10
Optimiza los trabajos de importación de ejecución lenta
Si seguiste las sugerencias de la configuración inicial, por general, no se debe realizar ningún otro ajuste. Si tu trabajo se ejecuta a poca velocidad, existen otras optimizaciones que puedes probar:
Optimiza el trabajo y la ubicación de los datos: Ejecuta tu trabajo de Dataflow. en la misma región donde se encuentra la instancia bucket de Cloud Storage.
Garantizar recursos suficientes de Dataflow: Si la cuotas relevantes de Compute Engine limitar los recursos de tu trabajo de Dataflow, Página de Dataflow en la consola de Google Cloud muestra un ícono de advertencia
y registro
mensajes:
En esta situación, aumentar las cuotas para CPU, direcciones IP en uso y el disco persistente estándar podría acortar el tiempo de ejecución del trabajo, pero se podrían generar más cargos de Compute Engine.
Verifica el uso de CPU de Spanner: si ves que la CPU de procesamiento de la instancia supera el 65%, puedes aumentar la capacidad de procesamiento de esa instancia. La capacidad agrega más Los recursos de Spanner y el trabajo deberían acelerarse, pero incurrirás en más Cargos de Spanner
Factores que afectan el rendimiento del trabajo de importación
Varios factores influyen en el tiempo que tarda en completarse un trabajo de importación.
Tamaño de la base de datos de Spanner: Procesar más datos lleva más tiempo. y recursos.
Esquema de la base de datos de Spanner, que incluye lo siguiente:
- La cantidad de tablas
- El tamaño de las filas
- La cantidad de índices secundarios
- El número de claves externas
- La cantidad de flujos de cambios
Ubicación de los datos: Los datos se transfieren entre Spanner y Cloud Storage con Dataflow. Lo ideal es que los tres componentes se ubiquen en la misma región. Si los componentes no están en la misma región, mover los datos entre las regiones hace que la ejecución del trabajo sea más lenta.
Cantidad de trabajadores de Dataflow: Los trabajadores óptimos de Dataflow son necesarios para un buen rendimiento. Mediante el ajuste de escala automático, Dataflow elige la cantidad de trabajadores en función de la cantidad de trabajo que se debe realizar. Sin embargo, la cantidad de trabajadores estará limitada por las cuotas de las CPU, las direcciones IP en uso y el disco persistente estándar. La IU de Dataflow muestra un ícono de advertencia si se alcanzan los límites de cuota. En esta situación, el progreso es más lento, pero el trabajo se completará de todos modos. El ajuste de escala automático puede sobrecargar Spanner y provocar errores cuando que importar.
Carga existente en Spanner: Un trabajo de importación agrega una carga significativa de CPU en una instancia de Spanner. Si la instancia ya tiene una carga sustancial existente, el trabajo se ejecutará más lento.
Cantidad de capacidad de procesamiento de Spanner: si el uso de CPU para la instancia supera el 65%, entonces el trabajo se ejecuta más lento.
Ajusta los trabajadores para obtener un buen rendimiento de la importación
Cuando inicias un trabajo de importación de Spanner, Dataflow los trabajadores deben configurarse en un valor óptimo para lograr un buen rendimiento. Demasiados trabajadores que sobrecarga Spanner y muy pocos trabajadores dan como resultado una el rendimiento de las importaciones.
El número máximo de trabajadores depende en gran medida del tamaño de los datos, pero idealmente, el uso total de CPU de Spanner debería estar entre 70% a 90%. Esto proporciona un buen equilibrio entre eficiencia y la finalización de trabajos sin errores.
Para lograr ese objetivo de uso en la mayoría de los esquemas y situaciones, se recomienda una cantidad máxima de CPU virtuales de trabajadores entre 4 y 6 veces la cantidad de Nodos de Spanner.
Por ejemplo, para una instancia de Spanner de 10 nodos, con n1-standard-2 de trabajadores, podrías establecer una cantidad máxima de trabajadores en 25, lo que daría 50 CPU virtuales.