Daten aus Nicht-Spanner-Datenbanken importieren

Auf dieser Seite wird beschrieben, wie Sie Avro-Dateien vorbereiten, die Sie aus Nicht-Spanner-Datenbanken exportiert haben, und diese Dateien dann in Spanner importieren. Wenn Sie eine Spanner-Datenbank importieren möchten, die Sie zuvor exportiert haben, finden Sie weitere Informationen unter Spanner Avro-Dateien importieren.

Der Vorgang verwendet Dataflow; Es importiert Daten aus einem Cloud Storage-Bucket, der eine Reihe von Avro-Dateien und eine JSON-Manifestdatei enthält, die die Zieltabellen und Avro-Dateien angibt, mit denen die einzelnen Tabellen gefüllt werden.

Hinweise

Um eine Spanner-Datenbank zu importieren, müssen Sie zuerst die Spanner-, Cloud Storage-, Compute Engine- und Dataflow-APIs aktivieren:

Aktivieren Sie die APIs

Außerdem brauchen Sie ein ausreichend großes Kontingent und die erforderlichen IAM-Berechtigungen.

Kontingentanforderungen

Für Importjobs gelten folgende Kontingentanforderungen:

Spanner: Sie müssen genügend Computing-Kapazität haben, um die zu importierende Datenmenge zu unterstützen. Für den Import einer Datenbank ist keine zusätzliche Rechenkapazität erforderlich. Allerdings benötigen Sie möglicherweise weitere Rechenkapazität, damit der Job in angemessener Zeit abgeschlossen werden kann. Weitere Informationen finden Sie unter Jobs optimieren.
Cloud Storage: Zum Importieren benötigen Sie einen Bucket mit Ihren zuvor exportierten Dateien. Für den Bucket muss keine Größe festgelegt werden.
Dataflow: Für Importjobs gelten dieselben Compute Engine-Kontingente für CPU, Laufwerksnutzung und IP-Adressen wie für andere Dataflow-Jobs.
Compute Engine: Bevor Sie den Importjob ausführen, müssen Sie zuerst Kontingente für Compute Engine einrichten, die von Dataflow verwendet werden. Diese Kontingente stellen die maximale Anzahl von Ressourcen dar, die Dataflow für Ihren Job verwenden darf. Empfohlene Anfangswerte sind:
- CPUs: 200
- Verwendete IP-Adressen: 200
- Nichtflüchtiger Standardspeicher: 50 TB
Sie müssen in der Regel keine weiteren Anpassungen vornehmen. Dataflow bietet Autoscaling, sodass Sie nur für die Ressourcen zahlen, die beim Import tatsächlich verwendet werden. Wenn Ihr Job mehr Ressourcen verwenden kann, wird in der Dataflow-UI ein Warnsymbol angezeigt. Der Job sollte trotz dieses Warnsymbols beendet werden.

IAM-Anforderungen

Für das Importieren einer Datenbank benötigen Sie außerdem IAM-Rollen mit ausreichenden Berechtigungen, um alle Dienste nutzen zu können, die für einen Importjob erforderlich sind. Informationen zum Gewähren von Rollen und Berechtigungen finden Sie unter IAM-Rollen anwenden.

Zum Importieren einer Datenbank benötigen Sie folgende Rollen:

Auf Google Cloud-Projektebene:
- Spanner Viewer (roles/spanner.viewer)
- Dataflow-Administrator (roles/dataflow.admin)
- Storage-Administrator (roles/storage.admin)
Auf der Spanner-Datenbank- oder Instanzebene oder auf Google Cloud-Projektebene:
- Spanner-Datenbank-Leser (roles/spanner.databaseReader)
- Spanner-Datenbankadministrator (roles/spanner.databaseAdmin)

Daten aus einer Nicht-Spanner-Datenbank in Avro-Dateien exportieren

Beim Importvorgang werden Daten aus Avro-Dateien in einem Cloud Storage-Bucket übernommen. Sie können Daten im Avro-Format aus jeder Quelle exportieren und dazu jede verfügbare Methode verwenden.

So exportieren Sie Daten aus einer Nicht-Spanner-Datenbank in Avro-Dateien:

Beachten Sie beim Exportieren Ihrer Daten folgende Punkte:

Der Export lässt sich mit einem der primitiven Avro-Typen sowie mit dem komplexen Array-Typ ausführen.
Jede Spalte der Avro-Dateien muss einen der folgenden Spaltentypen verwenden:
- ARRAY
- BOOL
- BYTES^*
- DOUBLE
- FLOAT
- INT
- LONG^†
- STRING^‡
^* Eine Spalte vom Typ BYTES wird zum Importieren eines Spanner-NUMERIC verwendet. Weitere Informationen finden Sie unten unter Empfohlene Zuordnungen.

^†,‡ Sie können einen LONG importieren, der einen Zeitstempel speichert, oder einen STRING, der einen Zeitstempel als Spanner-TIMESTAMP speichert. Weitere Informationen finden Sie unten unter Empfohlene Zuordnungen.
Beim Exportieren der Avro-Dateien müssen Sie Metadaten weder hinzufügen noch generieren.
Für Ihre Dateien müssen keine bestimmten Namenskonventionen eingehalten werden.

Wenn Sie Ihre Dateien nicht direkt nach Cloud Storage exportieren, müssen Sie die Avro-Dateien in einen Cloud Storage-Bucket hochladen. Eine ausführliche Anleitung finden Sie unter Objekte in Cloud Storage hochladen.

Avro-Dateien aus Nicht-Spanner-Datenbanken in Spanner importieren

So importieren Sie Avro-Dateien aus einer Nicht-Spanner-Datenbank in Spanner:

Erstellen Sie Zieltabellen und definieren Sie das Schema für die Spanner-Datenbank.
Erstellen Sie eine spanner-export.json-Datei in Ihrem Cloud Storage-Bucket.
Führen Sie einen Dataflow-Importjob über die gcloud CLI aus.

Schritt 1: Schema für die Spanner-Datenbank erstellen

Bevor Sie den Import ausführen, müssen Sie die Zieltabelle in Spanner erstellen und ihr Schema definieren.

Sie müssen ein Schema erstellen, das den entsprechenden Spaltentyp für jede Spalte in den Avro-Dateien verwendet.

Empfohlene Zuordnungen

GoogleSQL

Avro-Spaltentyp	Spanner-Spaltentyp
`ARRAY`	`ARRAY`
`BOOL`	`BOOL`
`BYTES`	`BYTES` `NUMERIC` (wenn der Spaltentyp `BYTES` und `logicalType=decimal`, `precision=38` und `scale=9` ist. Wenn genau diese Spezifikationen weggelassen werden, wird das Feld als Spanner-Wert `BYTES` behandelt. Weitere Informationen finden Sie in der Dokumentation zum Logischen Avro-Dezimaltyp.)
`DOUBLE`	`FLOAT64`
`FLOAT`	`FLOAT64`
`INT`	`INT64`
`LONG`	`INT64` `TIMESTAMP`, wenn `LONG` einen Zeitstempel mit der Anzahl der Mikrosekunden seit 01.01.1970 00:00:00 UTC darstellt
`STRING`	`STRING` `TIMESTAMP`, wenn `STRING` einen Zeitstempel im kanonischen Format für SQL-Abfragen darstellt

PostgreSQL

Avro-Spaltentyp	Spanner-Spaltentyp
`ARRAY`	`ARRAY`
`BOOL`	`BOOLEAN`
`BYTES`	`BYTEA` `NUMERIC` (wenn der Spaltentyp `BYTEA` und `logicalType=decimal`, `precision=147455` und `scale=16383` ist. Wenn genau diese Angaben weggelassen werden, wird das Feld als `BYTEA`-Wert behandelt. Weitere Informationen finden Sie in der Dokumentation zum Logischen Avro-Dezimaltyp.)
`DOUBLE`	`DOUBLE PRECISION`
`FLOAT`	`DOUBLE PRECISION`
`INT`	`BIGINT`
`LONG`	`BIGINT` `TIMESTAMP`, wenn `LONG` einen Zeitstempel mit der Anzahl der Mikrosekunden seit 01.01.1970 00:00:00 UTC darstellt
`STRING`	`CHARACTER VARYING` `TIMESTAMP`, wenn `STRING` einen Zeitstempel im kanonischen Format für SQL-Abfragen darstellt, z. B. „2022-05-28T07:08:21.123456789Z“ oder „2021-12-19T16:39:57-08:00“.

Schritt 2: Datei „spanner-export.json“ erstellen

Außerdem müssen Sie in Ihrem Cloud Storage-Bucket eine Datei mit dem Namen spanner-export.json erstellen. Diese Datei gibt den Datenbankdialekt an und enthält ein tables-Array, in dem der Name und die Speicherorte der Datendateien für jede Tabelle aufgeführt sind.

Der Inhalt der Datei hat folgendes Format:

{
  "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"
}

Wobei DATABASE_DIALECT = {GOOGLE_STANDARD_SQL | POSTGRESQL}

Wenn das Dialektelement weggelassen wird, wird standardmäßig GOOGLE_STANDARD_SQL verwendet.

Schritt 3: Dataflow-Importjob mit der gcloud CLI ausführen

Folgen Sie der Anleitung zum Ausführen eines Importjobs über die Google Cloud CLI mit der Vorlage „Avro zu Spanner“, um den Importjob zu starten.

Nachdem Sie einen Importjob gestartet haben, können Sie in der Google Cloud Console Details zum Job aufrufen.

Fügen Sie nach Abschluss des Importjobs alle erforderlichen sekundären Indexe und Fremdschlüssel hinzu.

Region für den Importjob auswählen

Sie können je nach Standort Ihres Cloud Storage-Bucket eine andere Region auswählen. Wählen Sie eine Region aus, die dem Standort Ihres Cloud Storage-Bucket entspricht, um Gebühren für ausgehenden Datenverkehr zu vermeiden.

Wenn der Standort Ihres Cloud Storage-Bucket eine Region ist, können Sie von der kostenlosen Netzwerknutzung profitieren. Dazu wählen Sie dieselbe Region auch für den Importjob aus, vorausgesetzt, diese Region ist verfügbar.
Wenn der Speicherort Ihres Cloud Storage-Bucket zwei Regionen ist, können Sie von der kostenlosen Netzwerknutzung profitieren. Dazu wählen Sie eine der beiden Regionen aus, aus denen die Dual-Region für Ihren Importjob besteht, vorausgesetzt, eine der Regionen ist verfügbar.
Wenn für Ihren Importjob keine Region mit demselben Standort verfügbar ist oder wenn der Standort Ihres Cloud Storage-Bucket multiregional ist, fallen Gebühren für die ausgehende Datenübertragung an. Wählen Sie anhand der Preise für die Datenübertragung von Cloud Storage eine Region aus, in der die niedrigsten Gebühren für die Datenübertragung anfallen.

Jobs in der Dataflow-UI ansehen oder Fehler beheben

Nachdem Sie einen Importjob gestartet haben, können Sie in der Google Cloud Console im Abschnitt „Dataflow“ Details zum Job, einschließlich Logs, ansehen.

Dataflow-Jobdetails ansehen

So rufen Sie Details zu allen Import-/Exportjobs auf, die Sie in der letzten Woche ausgeführt haben, einschließlich aller derzeit ausgeführten Jobs:

Wechseln Sie zur Seite Datenbanküberblick für die Datenbank.
Klicken Sie im linken Bereich auf den Menüpunkt Import/Export. Auf der Datenbankseite Import/Export wird eine Liste der letzten Jobs angezeigt.
Klicken Sie auf der Seite Import/Export der Datenbank in der Spalte Dataflow-Jobname auf den Jobnamen:

In der Google Cloud Console werden Details zum Dataflow-Job angezeigt.

So rufen Sie einen Job auf, den Sie vor mehr als einer Woche ausgeführt haben:

Rufen Sie in der Google Cloud Console die Seite „Dataflow-Jobs“ auf.

Zur Jobseite
Suchen Sie den Job in der Liste und klicken Sie auf seinen Namen.

In der Google Cloud Console werden Details zum Dataflow-Job angezeigt.

Dataflow-Logs für den Job ansehen

Rufen Sie wie oben beschrieben die Detailseite des Jobs auf und klicken Sie rechts neben dem Jobnamen auf Logs, um die Logs eines Dataflow-Jobs anzusehen.

Wenn ein Job fehlschlägt, suchen Sie in den Logs nach Fehlern. Falls Fehler aufgetreten sind, ist neben Logs die Fehleranzahl zu sehen:

Beispiel für Fehleranzahl neben der Schaltfläche "Logs"

So sehen Sie sich Jobfehler genauer an:

Klicken Sie auf die Fehleranzahl neben Logs.

In der Google Cloud Console werden die Logs des Jobs angezeigt. Unter Umständen müssen Sie scrollen, um die Fehler einzublenden.
Suchen Sie nach Einträgen mit dem Fehlersymbol .
Klicken Sie auf einen Logeintrag, um ihn zu maximieren.

Weitere Informationen zur Fehlerbehebung bei Dataflow-Jobs finden Sie unter Pipelinefehler beheben.

Fehlerbehebung bei fehlgeschlagenen Importjobs

Wenn in Ihren Joblogs die folgenden Fehler angezeigt werden:

com.google.cloud.spanner.SpannerException: NOT_FOUND: Session not found

--or--

com.google.cloud.spanner.SpannerException: DEADLINE_EXCEEDED: Deadline expired before operation could complete.

Prüfen Sie in der Google Cloud Console auf dem Tab Monitoring der Spanner-Datenbank die Schreiblatenz von 99%. Wenn hohe Werte angezeigt werden (mehrere Sekunden), bedeutet dies, dass die Instanz überlastet ist, was zu Schreibfehlern führt.

Eine Ursache für die hohe Latenz ist, dass der Dataflow-Job mit zu vielen Workern ausgeführt wird und die Spanner-Instanz zu stark belastet.

Wenn Sie ein Limit für die Anzahl der Dataflow-Worker angeben möchten, müssen Sie den Import nicht über den Tab „Import/Export“ auf der Seite mit den Instanzdetails der Spanner-Datenbank in der Google Cloud Console verwenden. Stattdessen müssen Sie den Import mit der Vorlage „Cloud Storage Avro für Cloud Spanner“ von Dataflow starten und die maximale Anzahl von Workern wie unten beschrieben angeben:

Wenn Sie die Dataflow Console verwenden, befindet sich der Parameter Max. Worker im Abschnitt Optionale Parameter auf der Seite Job aus Vorlage erstellen.

Wenn Sie gcloud verwenden, geben Sie das Argument max-workers an. Beispiel:

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

Langsam laufende Importjobs optimieren

Wenn Sie die Vorschläge für die Anfangseinstellungen befolgt haben, sollten in der Regel keine weiteren Anpassungen nötig sein. Falls der Job jedoch langsam ausgeführt wird, können Sie einige andere Optimierungen versuchen:

Job- und Datenspeicherort optimieren: Führen Sie den Dataflow-Job in derselben Region aus, in der sich die Spanner-Instanz und der Cloud Storage-Bucket befinden.
Ausreichende Dataflow-Ressourcen prüfen: Wenn die entsprechenden Compute Engine-Kontingente die Ressourcen Ihres Dataflow-Jobs einschränken, werden auf der Dataflow-Seite des Jobs in der Google Cloud Console ein Warnsymbol und Logeinträge angezeigt:

In diesem Fall kann das Erhöhen der Kontingente für CPUs, verwendete IP-Adressen und nichtflüchtigen Standardspeicher die Ausführungszeit des Jobs verkürzen, aber auch höhere Compute Engine-Gebühren zur Folge haben.
Spanner-CPU-Auslastung prüfen: Wenn die CPU-Auslastung für die Instanz über 65 % liegt, können Sie die Rechenkapazität in dieser Instanz erhöhen. Durch die Kapazität werden zusätzliche Spanner-Ressourcen hinzugefügt und der Job sollte beschleunigt werden, es entstehen aber höhere Kosten für Spanner.

Faktoren, die sich auf die Leistung von Importjobs auswirken

Mehrere Faktoren beeinflussen die Zeit, die für einen Importjob benötigt wird.

Größe der Spanner-Datenbank: Die Verarbeitung von mehr Daten erfordert mehr Zeit und Ressourcen.
Spanner-Datenbankschema, einschließlich:
- Die Anzahl der Tabellen
- Die Größe der Zeilen
- Anzahl der sekundären Indexe
- Anzahl der Fremdschlüssel
- Die Anzahl der Änderungsstreams

Datenspeicherort: Daten werden mit Dataflow zwischen Spanner und Cloud Storage übertragen. Idealerweise befinden sich alle drei Komponenten in derselben Region. Wenn das nicht der Fall ist, dauert das regionsübergreifende Verschieben der Daten länger.
Anzahl der Dataflow-Worker: Optimale Dataflow-Worker sind für eine gute Leistung erforderlich. Mithilfe von Autoscaling wählt Dataflow die Anzahl der Worker für einen Job abhängig vom Arbeitsumfang aus. Diese Anzahl wird jedoch durch die Kontingente für CPUs, verwendete IP-Adressen und nichtflüchtigen Standardspeicher begrenzt. In der Dataflow-UI ist ein Warnsymbol zu sehen, wenn Kontingentobergrenzen erreicht werden. In diesem Fall dauert die Verarbeitung länger, aber der Job sollte dennoch abgeschlossen werden. Das Autoscaling kann Spanner überlasten, was zu Fehlern führen kann, wenn große Datenmengen importiert werden müssen.
Bestehende Auslastung von Spanner: Ein Importjob stellt eine erhebliche CPU-Last für eine Spanner-Instanz dar. Wenn die Instanz jedoch bereits eine erhebliche bestehende Auslastung aufweist, wird der Job langsamer ausgeführt.
Menge der Spanner-Rechenkapazität: Wenn die CPU-Auslastung für die Instanz über 65 % liegt, wird der Job langsamer ausgeführt.

Worker für gute Importleistung abstimmen

Beim Starten eines Spanner-Importjobs müssen Dataflow-Worker auf einen optimalen Wert für eine gute Leistung festgelegt werden. Zu viele Worker überlasten Spanner und zu wenige Worker führen zu einer überfordernden Importleistung.

Die maximale Anzahl von Workern hängt stark von der Datengröße ab. Idealerweise sollte die gesamte Spanner-CPU-Auslastung zwischen 70% und 90 % liegen. Dies sorgt für ein ausgewogenes Verhältnis zwischen Spanner-Effizienz und fehlerfreiem Jobabschluss.

Um dieses Nutzungsziel in den meisten Schemas und Szenarien zu erreichen, empfehlen wir eine maximale Anzahl von Worker-vCPUs, die zwischen dem 4- und 6-Fachen der Anzahl von Spanner-Knoten liegt.

Für eine Spanner-Instanz mit 10 Knoten und n1-standard-2-Workern würden Sie beispielsweise die maximale Anzahl der Worker auf 25 festlegen, sodass 50 vCPUs entstehen.