Importer des données à partir de bases de données non-Spanner

Cette page explique comment préparer des fichiers Avro que vous avez exportés à partir de bases de données autres que Cloud Spanner, puis les importer dans Spanner. Si vous souhaitez importer une base de données Spanner que vous avez précédemment exportée, consultez Importer des fichiers Avro Spanner.

Le processus utilise Dataflow. Il importe les données d'un bucket Cloud Storage contenant un ensemble de fichiers Avro et un fichier manifeste JSON spécifiant les tables de destination et les fichiers Avro qui renseignent chaque table.

Avant de commencer

Pour importer une base de données Spanner, vous devez d'abord activer les API Spanner, Cloud Storage, Compute Engine et Dataflow :

Activer les API

Vous devez également disposer d'un quota suffisant, ainsi que des autorisations IAM requises.

Exigences relatives aux quotas

Les quotas requis pour les tâches d'importation sont les suivants:

  • Spanner : vous devez disposer d'une capacité de calcul suffisante pour gérer la quantité de données que vous importez. Aucune capacité de calcul supplémentaire n'est requise pour importer une base de données, mais il peut s'avérer nécessaire d'ajouter de la capacité de calcul pour que la tâche se termine dans un délai raisonnable. Pour en savoir plus, consultez Tâches Optimize.
  • Cloud Storage : pour effectuer des importations, vous devez disposer d'un bucket contenant les fichiers que vous avez exportés auparavant. Il n'est pas nécessaire de spécifier une taille pour ce bucket.
  • Dataflow : les tâches d'importation sont soumises aux mêmes exigences que les autres tâches Dataflow en ce qui concerne les quotas Compute Engine, aussi bien pour l'utilisation de processeurs et d'espace disque que pour le nombre d'adresses IP.
  • Compute Engine : avant d'exécuter une tâche d'importation, vous devez définir les quotas initiaux Compute Engine utilisés par Dataflow. Ces quotas représentent les quantités maximales de ressources que Dataflow pourra utiliser pour votre tâche. Les valeurs de départ recommandées sont les suivantes :

    • Processeurs : 200
    • Adresses IP en cours d'utilisation : 200
    • Disque persistant standard : 50 To

    En règle générale, vous n'avez pas d'autres réglages à effectuer. Dataflow assure un autoscaling qui vous permet de ne payer que pour les ressources réellement utilisées lors de l'importation. S'il apparaît que votre tâche pourrait utiliser davantage de ressources, l'interface utilisateur de Dataflow affiche une icône d'avertissement, mais cela n'empêche normalement pas la tâche d'aboutir.

Exigences IAM

Pour importer une base de données, vous devez également disposer de rôles IAM accordant des autorisations suffisantes pour utiliser tous les services impliqués dans une tâche d'importation. Pour en savoir plus sur l'attribution de rôles et d'autorisations, consultez Appliquer des rôles IAM.

Pour importer une base de données, vous avez besoin des rôles suivants :

  • Au niveau du projet Google Cloud :
    • Lecteur Spanner
    • Administrateur Dataflow
    • Administrateur de l'espace de stockage
  • Au niveau de la base de données ou de l'instance de Spanner, ou au niveau du projet Google Cloud :
    • Lecteur Spanner
    • Administrateur Spanner Database (obligatoire uniquement pour les tâches d'importation)

Exporter des données d'une base de données non-Spanner vers des fichiers Avro

Le processus d'importation apporte des données issues de fichiers Avro situés dans un bucket Cloud Storage. Vous pouvez exporter des données au format Avro depuis n'importe quelle source et utiliser toutes les méthodes disponibles pour le faire.

Pour exporter des données d'une base de données non-Spanner vers des fichiers Avro, procédez comme suit:

Tenez compte des points suivants lorsque vous exportez vos données :

  • Vous pouvez exporter les données à l'aide de n'importe lequel des types primitifs Avro, ainsi qu'avec le type complexe Tableau.
  • Chaque colonne de vos fichiers Avro doit utiliser l'un des types de colonne suivants :

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

    * Une colonne de type BYTES permet d'importer un type NUMERIC Cloud Spanner. Pour en savoir plus, consultez la section Mappages recommandés ci-dessous.

    †,‡ Vous pouvez importer un LONG stockant un horodatage ou un STRING stockant un horodatage en tant que TIMESTAMP Spanner. Pour en savoir plus, consultez les mappages recommandées ci-dessous.

  • Il n'est pas nécessaire d'inclure ou de générer des métadonnées lorsque vous exportez les fichiers Avro.

  • Il n'est pas nécessaire de suivre une convention d'attribution de noms particulière pour vos fichiers.

Si vous n'exportez pas vos fichiers directement vers Cloud Storage, vous devez les importer dans un bucket Cloud Storage. Pour obtenir des instructions détaillées, consultez Importer des objets dans Cloud Storage.

Importer des fichiers Avro à partir de bases de données non-Spanner dans Spanner

Pour importer des fichiers Avro à partir d'une base de données non-Spanner vers Spanner, procédez comme suit:

  1. Créez des tables cibles et définissez le schéma de votre base de données Spanner.
  2. Créez un fichier spanner-export.json dans votre bucket Cloud Storage.
  3. Exécuter une tâche d'importation Dataflow à l'aide de la CLI gcloud

Étape 1: Créez le schéma de votre base de données Spanner

Avant d'exécuter votre importation, vous devez créer la table cible dans Spanner et définir son schéma.

Vous devez créer un schéma qui utilise le type de colonne approprié pour chaque colonne des fichiers Avro.

SQL standard Google

Type de colonne Avro Type de colonne Spanner
ARRAY ARRAY
BOOL BOOL
BYTES

BYTES

NUMERIC (lorsque le type de colonne est défini sur BYTES avec les paramètres suivants : logicalType=decimal, precision=38 et scale=9. Si vous n'indiquez pas ces spécifications exactes, le champ est traité comme une valeur BYTES Cloud Spanner. Pour en savoir plus, consultez la documentation sur le type logique décimal Avro.)

DOUBLE FLOAT64
FLOAT FLOAT64
INT INT64
LONG

INT64

TIMESTAMP lorsque LONG représente l'horodatage du nombre de microsecondes depuis le 1er janvier 1970 à 00:00:00 UTC

STRING

STRING

TIMESTAMP lorsque STRING représente un horodatage au format canonique pour les requêtes SQL

PostgreSQL

Type de colonne Avro Type de colonne Spanner
ARRAY ARRAY
BOOL BOOLEAN
BYTES

BYTEA

NUMERIC (lorsque le type de colonne est défini sur BYTEA avec les paramètres suivants : logicalType=decimal, precision=147455 et scale=16383. Si ces spécifications exactes sont omises, le champ est traité comme une valeur BYTEA. Pour en savoir plus, consultez la documentation sur le type logique décimal Avro.)

DOUBLE DOUBLE PRECISION
FLOAT DOUBLE PRECISION
INT BIGINT
LONG

BIGINT

TIMESTAMP lorsque LONG représente l'horodatage du nombre de microsecondes depuis le 1er janvier 1970 à 00:00:00 UTC

STRING

CHARACTER VARYING

TIMESTAMP lorsque STRING représente un horodatage au format canonique pour les requêtes SQL, par exemple '2022-05-28T07:08:21.123456789Z' or '2021-12-19T16:39:57-08:00'.

Étape 2: Créez un fichier spanner-export.json

Vous devez également créer un fichier nommé spanner-export.json dans votre bucket Cloud Storage. Ce fichier spécifie le dialecte de la base de données et contient un tableau tables qui répertorie le nom et les emplacements des fichiers de données pour chaque table.

Le contenu du fichier a le format suivant :

{
  "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"
}

DATABASE_DIALECT = {GOOGLE_STANDARD_SQL | POSTGRESQL}

Si l'élément dialecte est omis, le dialecte est défini par défaut sur GOOGLE_STANDARD_SQL.

Étape 3: Exécuter une tâche d'importation Dataflow à l'aide de la CLI gcloud

Pour démarrer la tâche d'importation, suivez les instructions permettant d'utiliser la CLI Google Cloud pour exécuter une tâche avec le modèle Avro vers Spanner.

Après avoir démarré une tâche d'importation, vous pouvez afficher les détails de la tâche dans Cloud Console.

Une fois la tâche d'importation terminée, ajoutez les éventuels index secondaires et clés étrangères.

Choisissez une région pour votre tâche d'importation

Vous pouvez choisir une autre région en fonction de l'emplacement de votre bucket Cloud Storage. Pour éviter des frais de sortie de réseau, choisissez une région correspondant à l'emplacement de votre bucket Cloud Storage.

  • Si l'emplacement de votre bucket Cloud Storage est une région, vous pouvez profiter de l'utilisation gratuite du réseau en sélectionnant la même région pour votre tâche d'importation, en supposant que cette région est disponible.

  • Si l'emplacement de votre bucket Cloud Storage est un emplacement birégional, vous pouvez profiter de l'utilisation gratuite du réseau en choisissant l'une des deux régions qui constituent la zone birégionale pour votre tâche d'importation, à condition qu'une des régions soit disponible.

  • Si une région colocalisée n'est pas disponible pour votre tâche d'importation, ou si l'emplacement de votre bucket Cloud Storage est un emplacement multirégional, des frais de sortie s'appliquent. Consultez les tarifs de sortie de réseau Cloud Storage pour choisir la région entraînant les frais de sortie réseau les plus bas.

Afficher ou dépanner des tâches dans l'interface utilisateur de Dataflow

Après avoir démarré une tâche d'importation, vous pouvez afficher les détails de cette tâche, y compris les journaux, dans la section Dataflow de Cloud Console.

Afficher les détails de la tâche Dataflow

Pour afficher les détails des tâches d'importation/exportation exécutées au cours de la dernière semaine, y compris les tâches en cours d'exécution :

  1. Accédez à la page Présentation de la base de données correspondant à la base de données.
  2. Cliquez sur l'élément de menu du volet Importations/Exportations à gauche. La page Importations/Exportations de la base de données affiche la liste des tâches récentes.
  3. Sur la page Importations/Exportations de la base de données, cliquez sur le nom de la tâche dans la colonne Nom de la tâche Dataflow :

    Message d'état de la tâche en cours

    Cloud Console affiche les détails de la tâche Dataflow.

Pour afficher une tâche que vous avez exécutée il y a plus d'une semaine :

  1. Accédez à la page des tâches Dataflow dans Cloud Console.

    Accéder à la page des tâches

  2. Recherchez votre tâche dans la liste, puis cliquez sur son nom.

    Cloud Console affiche les détails de la tâche Dataflow.

Afficher les journaux Dataflow pour votre tâche

Pour afficher les journaux d'une tâche Dataflow, accédez à la page des détails de la tâche comme décrit ci-dessus, puis cliquez sur Journaux à droite du nom de la tâche.

Si une tâche échoue, recherchez les erreurs dans les journaux. Si des erreurs ont été enregistrées, leur nombre s'affiche à côté du bouton Logs (Journaux) :

Exemple de nombre d'erreurs affiché à côté du bouton "Journaux"

Pour afficher les erreurs relatives à une tâche :

  1. Cliquez sur le nombre d'erreurs affiché à côté du bouton Logs (Journaux).

    Cloud Console affiche les journaux de la tâche. Vous devrez éventuellement faire défiler l'affichage pour voir les erreurs.

  2. Repérez les entrées signalées par l'icône d'erreur Icône "Erreur".

  3. Cliquez sur une entrée de journal pour développer son contenu.

Pour en savoir plus sur le dépannage des tâches Dataflow, consultez la page Résoudre les problèmes liés à votre pipeline.

Résoudre les problèmes liés aux tâches d'importation ayant échoué

Si les erreurs suivantes s'affichent dans les journaux de vos tâches :

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

--or--

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

Vérifiez la latence de 99% en écriture dans l'onglet Monitoring de votre base de données Cloud Spanner dans Cloud Console. Si elle affiche des valeurs élevées (plusieurs secondes), cela signifie que l'instance est surchargée, ce qui entraîne l'expiration et l'échec de l'écriture.

Cette latence élevée peut s'expliquer notamment par le fait que la tâche Dataflow s'exécute à l'aide d'un trop grand nombre de nœuds de calcul, ce qui surcharge l'instance Cloud Spanner.

Pour spécifier le nombre maximal de nœuds de calcul Dataflow, au lieu d'utiliser l'onglet "Importations/Exportations" sur la page des détails de l'instance de votre base de données Cloud Spanner dans Cloud Console, vous devez lancer l'importation à l'aide du modèle Cloud Storage Avro vers Cloud Spanner et spécifier le nombre maximal de nœuds de calcul comme décrit ci-dessous :
  • Si vous utilisez la console Dataflow, le paramètre Nombre maximal de nœuds de calcul se trouve dans la section Paramètres facultatifs de la page Créer une tâche à partir d'un modèle.

  • Si vous utilisez gcloud, spécifiez l'argument max-workers. Exemple :

    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
    

Optimiser les tâches d'importation lentes

Si vous avez adopté les paramètres initiaux suggérés plus haut, vous n'avez en principe aucun autre réglage à effectuer. Voici toutefois quelques possibilités d'optimisation supplémentaires à envisager si l'exécution de votre tâche est lente :

  • Optimisez la tâche et l'emplacement des données : exécutez votre tâche Dataflow dans la même région que celle où se trouvent votre instance Spanner et votre bucket Cloud Storage.

  • Assurez-vous qu'il y a suffisamment de ressources Dataflow : si les quotas Compute Engine correspondants limitent les ressources de votre tâche Dataflow, la page Dataflow de Google Cloud Console affiche une icône d'avertissement Icône Avertissement et les messages de journal:

    Capture d'écran de l'avertissement de limite de quota

    Dans ce cas, l'augmentation des quotas en termes de processeurs, d'adresses IP en cours d'utilisation et de disques persistants standards peut accélérer l'exécution de votre tâche, mais également augmenter les frais facturés pour Compute Engine.

  • Vérifiez l'utilisation du processeur Spanner : si vous constatez que l'utilisation du processeur pour l'instance est supérieure à 65%, vous pouvez augmenter la capacité de calcul de cette instance. La capacité ajoute plus de ressources Spanner, et la tâche devrait accélérer l'opération, mais cela entraîne des frais supplémentaires pour Spanner.

Facteurs affectant les performances des tâches d'importation

Plusieurs facteurs influent sur le temps nécessaire pour mener à bien une tâche d'importation.

  • Taille de la base de données Spanner: le traitement des données supplémentaires prend plus de temps et nécessite davantage de ressources.

  • Schéma de base de données Spanner:

    • Nombre de tables
    • Taille des lignes
    • Nombre d'index secondaires
    • Nombre de clés étrangères
    • Nombre de flux de modifications

  • Emplacement des données: les données sont transférées entre Spanner et Cloud Storage à l'aide de Dataflow. Dans l'idéal, ces trois composants doivent se trouver dans la même région. Dans le cas contraire, le déplacement des données entre les régions ralentit l'exécution de la tâche.

  • Nombre de nœuds de calcul Dataflow : les nœuds de calcul Dataflow optimaux sont nécessaires pour de bonnes performances. En utilisant l'autoscaling, Dataflow choisit le nombre de nœuds de calcul pour la tâche en fonction de la quantité de travail à effectuer. Le nombre de nœuds de calcul sera toutefois limité par les quotas en matière de processeurs, d'adresses IP en cours d'utilisation et de disques persistants standards. L'interface utilisateur de Dataflow affiche une icône d'avertissement lorsque des limites de quota sont atteintes. Dans ce cas, la progression est ralentie, mais la tâche doit néanmoins aboutir. L'autoscaling peut surcharger Cloud Spanner et entraîner des erreurs lorsqu'il y a une grande quantité de données à importer.

  • Charge existante sur Spanner : une tâche d'importation ajoute une charge de processeur importante sur une instance Spanner. Si cette instance présentait déjà une charge importante, l'exécution de la tâche est ralentie.

  • Capacité de calcul Spanner : si l'utilisation du processeur sur l'instance est supérieure à 65%, la tâche est exécutée plus lentement.

Optimiser les performances des nœuds de calcul

Lorsque vous lancez une tâche d'importation Spanner, les nœuds de calcul Dataflow doivent être définis sur une valeur optimale pour de bonnes performances. Trop de nœuds de calcul surchargent Spanner et les nœuds de calcul sont trop nombreux, ce qui entraîne des performances d'importation peu gourmandes en ressources.

Le nombre maximal de nœuds de calcul dépend fortement de la taille des données. Idéalement, l'utilisation totale du processeur associée à Spanner doit être comprise entre 70 % et 90 %. Cela permet d'obtenir un bon équilibre entre l'efficacité de Spanner et l'exécution d'une tâche sans erreur.

Pour atteindre cet objectif d'utilisation dans la majorité des schémas/scénarios, nous recommandons un nombre maximal de processeurs virtuels de nœud de calcul compris entre 4 et 6 fois le nombre de nœuds Spanner.

Par exemple, pour une instance Spanner à 10 nœuds utilisant des nœuds de calcul n1-standard-2, vous devez définir un nombre maximal de nœuds de calcul sur 25, ce qui donne 50 processeurs virtuels.