Importa datos de bases de datos que no son de Spanner

En esta página, se describe cómo preparar archivos Avro que exportaste desde bases de datos que no son de Spanner y, luego, importarlos a Spanner. Si quieres 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 bucket 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 las API de Spanner, Cloud Storage, Compute Engine y Dataflow:

Habilita las API

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 bucket 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 realizar 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:

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:

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:

    • ARRAY
    • BOOL
    • BYTES*
    • DOUBLE
    • FLOAT
    • INT
    • LONG
    • STRING

    * Se usa una columna de tipo BYTES para importar un NUMERIC de Spanner. Consulta asignaciones recomendadas a continuación para obtener más detalles.

    †,‡ Puedes importar un LONG que almacene una marca de tiempo o un STRING que almacene una marca de tiempo como un TIMESTAMP de Spanner. Consulta las 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 instrucciones detalladas, consulta Sube objetos a Cloud Storage.

Importa archivos Avro de bases de datos que no son de Spanner a Spanner

Para importar archivos Avro de una base de datos que no es de Spanner a Spanner, sigue estos pasos:

  1. Crea tablas de destino y define el esquema para tu base de datos de Spanner.
  2. Crea un archivo spanner-export.json en tu bucket de Cloud Storage.
  3. Ejecuta un trabajo de importación de Dataflow con gcloud CLI.

Paso 1: Crea el esquema para tu 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.

GoogleSQL

Tipo de columna Avro Tipo de columna de Spanner
ARRAY ARRAY
BOOL BOOL
BYTES

BYTES

NUMERIC (cuando el tipo de columna es BYTES y logicalType=decimal, precision=38 y scale=9). Si se omiten estas especificaciones exactas, el campo se tratará como un valor BYTES de Spanner. Para obtener más información, consulta la documentación de tipo lógico decimal de Avro.

DOUBLE FLOAT64
FLOAT FLOAT64
INT INT64
LONG

INT64

TIMESTAMP cuando LONG representa una marca de tiempo de la cantidad de microsegundos desde el 1/1/1970 00:00:00 UTC

STRING

STRING

TIMESTAMP cuando STRING representa una marca de tiempo en el formato canónico para consultas en SQL

PostgreSQL

Tipo de columna Avro Tipo de columna de Spanner
ARRAY ARRAY
BOOL BOOLEAN
BYTES

BYTEA

NUMERIC (cuando el tipo de columna es BYTEA y logicalType=decimal, precision=147455 y scale=16383). Si se omiten estas especificaciones exactas, el campo se trata como un valor BYTEA. Para obtener más información, consulta la documentación de tipo lógico decimal de Avro.

DOUBLE DOUBLE PRECISION
FLOAT DOUBLE PRECISION
INT BIGINT
LONG

BIGINT

TIMESTAMP cuando LONG representa una marca de tiempo de la cantidad de microsegundos desde el 1/1/1970 00:00:00 UTC

STRING

CHARACTER VARYING

Es TIMESTAMP cuando STRING representa una marca de tiempo en el formato canónico para consultas en SQL, por ejemplo, “2022-05-28T07:08:21.123456789Z” o “2021-12-19T16:39:57-08:00”.

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 del archivo 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 valor predeterminado es GOOGLE_STANDARD_SQL.

Paso 3: Ejecuta un trabajo de importación de Dataflow con gcloud CLI

Si quieres iniciar tu trabajo de importación, sigue las instrucciones para usar Google Cloud CLI a fin de 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

Se recomienda elegir una región diferente según la ubicación de tu bucket de Cloud Storage. Para evitar los cargos por transferencia de datos salientes, elige una región que coincida con la ubicación del bucket de Cloud Storage.

  • Si la ubicación del bucket de Cloud Storage es una región, puedes aprovechar el uso gratuito de la red. Para ello, elige la misma región para tu trabajo de importación, siempre y cuando esa región esté disponible.

  • Si la ubicación del bucket de Cloud Storage es una región doble, puedes aprovechar el uso gratuito de la red si eliges una de las dos regiones que conforman la región doble para el trabajo de importación, suponiendo que una de las regiones esté disponible.

  • Si una región ubicada en el mismo lugar no está disponible para tu trabajo de importación o si la ubicación de tu bucket de Cloud Storage es una multirregión, se aplican cargos por transferencia de datos saliente. Consulta los precios de transferencia de datos de Cloud Storage para elegir una región que genere los cargos de transferencia de datos más bajos.

Visualiza trabajos o soluciona problemas relacionados con ellos en la IU de Dataflow

Después de iniciar un trabajo de importación, puedes ver los detalles del trabajo, incluidos los registros, en la sección de 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:

  1. Navega hasta la página Descripción general de la base de datos de la base de datos.
  2. 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.
  3. 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:

    Mensaje de estado del trabajo en curso

    En la consola de Google Cloud, se muestran los detalles del trabajo de Dataflow.

Para ver un trabajo que ejecutaste hace más de una semana, sigue estos pasos:

  1. Ve a la página de trabajos de Dataflow en la consola de Google Cloud.

    Ir a la página Trabajos

  2. Busca tu trabajo en la lista y haz clic sobre su nombre.

    En la consola de Google Cloud, se muestran los detalles del trabajo de Dataflow.

Visualiza 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):

Ejemplo de recuento de errores junto al botón Registros (Logs)

Para ver los errores del trabajo, sigue estos pasos:

  1. 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.

  2. Identifica las entradas con el ícono de error Ícono de error.

  3. Haz clic en una entrada de registro individual para expandir su contenido.

Para obtener más información sobre cómo solucionar problemas de trabajos de Dataflow, consulta Soluciona problemas de tu canalización.

Soluciona problemas de 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.

Verifica el 99% de latencia de escritura en la pestaña Supervisión de la 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 con demasiados trabajadores, lo que genera demasiada carga en la instancia de Spanner.

Para especificar un límite en la cantidad de trabajadores de Dataflow, en lugar de usar la pestaña Importar/Exportar en la página de detalles de la instancia de tu base de datos de Spanner en la consola de Google Cloud, debes iniciar la importación con la plantilla de Cloud Storage Avro a Cloud Spanner y especificar 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 en la que se encuentran la instancia de Spanner y el bucket de Cloud Storage.

  • Asegúrate de tener recursos suficientes de Dataflow: Si las cuotas relevantes de Compute Engine limitan los recursos del trabajo de Dataflow, la página de Dataflow del trabajo en la consola de Google Cloud muestra un ícono de advertencia Ícono de advertencia y mensajes de registro:

    Captura de pantalla de la advertencia de límite de cuota

    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 el uso de CPU de la instancia supera el 65%, puedes aumentar la capacidad de procesamiento de esa instancia. La capacidad agrega más recursos de Spanner y el trabajo debería acelerarse, pero se generarán 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 requiere 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
    • La cantidad de claves externas
    • La cantidad de flujos de cambios

  • Ubicación de los datos: Los datos se transfieren entre Spanner y Cloud Storage mediante 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 generar errores cuando hay una gran cantidad de datos para importar.

  • Carga existente en Spanner: Un trabajo de importación agrega una carga de CPU significativa 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%, el trabajo se ejecuta más lentamente.

Ajusta los trabajadores para obtener un buen rendimiento de importación

Cuando se inicia un trabajo de importación de Spanner, los trabajadores de Dataflow deben configurarse en un valor óptimo para lograr un buen rendimiento. Demasiados trabajadores sobrecargan Spanner, y muy pocos generan un rendimiento de importación decepcionante.

La cantidad máxima de trabajadores depende en gran medida del tamaño de los datos, pero, idealmente, el uso total de CPU de Spanner debe estar entre 70% y 90%. Esto proporciona un buen equilibrio entre la eficiencia de Spanner y la finalización del trabajo sin errores.

Para lograr ese objetivo de uso en la mayoría de los esquemas y situaciones, recomendamos una cantidad máxima de CPU virtuales de trabajador entre 4 o 6 veces la cantidad de nodos de Spanner.

Por ejemplo, para una instancia de Spanner de 10 nodos con trabajadores n1-standard-2, deberías establecer la cantidad máxima de trabajadores en 25, lo que da 50 CPU virtuales.