Importa file Avro Spanner

Questa pagina descrive come importare i database Spanner in Spanner utilizzando la console Google Cloud. Per importare file Avro da un'altra origine, consulta Importare dati da database non Spanner.

Il processo utilizza Dataflow, che importa i dati da una cartella del bucket Cloud Storage contenente un insieme di file Avro e file manifest JSON. Il processo di importazione supporta solo i file Avro esportati da Spanner.

Per importare un database Spanner utilizzando l'API REST o gcloud CLI, completa i passaggi nella sezione Prima di iniziare di questa pagina, poi consulta le istruzioni dettagliate in Da Cloud Storage Avro a Spanner.

Prima di iniziare

Per importare un database Spanner, devi prima abilitare le API Spanner, Cloud Storage, Compute Engine e Dataflow:

Abilita le API

Devi inoltre disporre di una quota sufficiente e delle autorizzazioni IAM richieste.

Requisiti per le quote

I requisiti di quota per i job di importazione sono i seguenti:

• Spanner: devi avere una capacità di calcolo sufficiente per supportare la quantità di dati che stai importando. Per importare un database, non è necessaria capacità di calcolo aggiuntiva, anche se potrebbe essere necessario aggiungerne maggiore in modo che il job venga completato in un periodo di tempo ragionevole. Per ulteriori dettagli, vedi Ottimizzare i lavori.
• Cloud Storage: per l'importazione, devi avere un bucket contenente i file esportati in precedenza. Non è necessario impostare le dimensioni del bucket.
• Dataflow: i job di importazione sono soggetti alle stesse quote di Compute Engine di CPU, utilizzo del disco e indirizzo IP degli altri job Dataflow.

• Compute Engine: prima di eseguire il job di importazione, devi impostare le quote iniziali per Compute Engine, utilizzato da Dataflow. Queste quote rappresentano il numero massimo di risorse che Dataflow può utilizzare per il tuo job. I valori iniziali consigliati sono:

  • CPU: 200
  • Indirizzi IP in uso: 200
  • Disco permanente standard: 50 TB

  In genere, non devi apportare altre modifiche. Dataflow fornisce la scalabilità automatica in modo che tu paghi solo per le risorse effettive utilizzate durante l'importazione. Se il job può utilizzare più risorse, la UI di Dataflow mostra un'icona di avviso. Il job dovrebbe terminare anche se è presente un'icona di avviso.

Requisiti IAM

Per importare un database, devi anche disporre di ruoli IAM con autorizzazioni sufficienti per utilizzare tutti i servizi coinvolti in un job di importazione. Per informazioni sulla concessione di ruoli e autorizzazioni, consulta Applicare i ruoli IAM.

Per importare un database, sono necessari i seguenti ruoli:

• A livello di progetto Google Cloud:
  • Spanner Viewer (roles/spanner.viewer)
  • Amministratore Dataflow (roles/dataflow.admin)
  • Amministratore Storage (roles/storage.admin)
• A livello di database o istanza Spanner oppure a livello di progetto Google Cloud:
  • Lettore database Spanner (roles/spanner.databaseReader)
  • Amministratore database Spanner (roles/spanner.databaseAdmin)

Nota: il ruolo Amministratore database Spanner è richiesto solo per i job di importazione.

(Facoltativo) Trova la cartella del database in Cloud Storage

Per trovare nella console Google Cloud la cartella contenente il database esportato, vai al browser Cloud Storage e fai clic sul bucket che contiene la cartella esportata.

Vai al browser di Cloud Storage

Il nome della cartella che contiene i dati esportati inizia con l'ID dell'istanza, il nome del database e il timestamp del job di esportazione. La cartella contiene:

• Un file spanner-export.json.
• Un file TableName-manifest.json per ogni tabella del database che hai esportato.

• Uno o più TableName.avro-#####-of-##### file. Il primo numero nell'estensione .avro-#####-of-##### rappresenta l'indice del file Avro, a partire da zero, e il secondo rappresenta il numero di file Avro generati per ogni tabella.

  Ad esempio, Songs.avro-00001-of-00002 è il secondo dei due file che contengono i dati per la tabella Songs.

• Un file ChangeStreamName-manifest.json per ogni flusso di modifiche nel database esportato.

• Un file ChangeStreamName.avro-00000-of-00001 per ogni flusso di modifiche. Questo file contiene dati vuoti con solo lo schema Avro del flusso di modifiche.

Importa un database

Per importare il database Spanner da Cloud Storage all'istanza:

1. Vai alla pagina Istanze di Spanner.

   Vai alla pagina delle istanze

2. Fai clic sul nome dell'istanza che conterrà il database importato.

3. Fai clic sulla voce di menu Importa/Esporta nel riquadro a sinistra, quindi fai clic sul pulsante Importa.

4. In Scegli una cartella di origine, fai clic su Sfoglia.

5. Individua il bucket che contiene la tua esportazione nell'elenco iniziale oppure fai clic su Cerca per filtrare l'elenco e trovare il bucket. Fai doppio clic sul bucket per vedere le cartelle che contiene.

6. Trova la cartella con i file esportati e fai clic per selezionarla.

   Nota: assicurati di selezionare la cartella creata dal job di esportazione e non una cartella di livello superiore contenente la cartella esportata.

7. Fai clic su Seleziona.

8. Inserisci un nome per il nuovo database, che Spanner crea durante il processo di importazione. Il nome del database non può esistere già nell'istanza.

9. Scegli il dialetto per il nuovo database (GoogleSQL o PostgreSQL).

10. (Facoltativo) Per proteggere il nuovo database con una chiave di crittografia gestita dal cliente, fai clic su Mostra opzioni di crittografia e seleziona Utilizza una chiave di crittografia gestita dal cliente (CMEK). Poi seleziona una chiave dall'elenco a discesa.

11. Seleziona una regione nel menu a discesa Scegli una regione per il job di importazione.

    Nota: per evitare addebiti per il trasferimento di dati in uscita, scegli una regione che si sovrapponga alla località del bucket Cloud Storage. Consulta la sezione Scegliere una regione di seguito per ulteriori informazioni.

12. (Facoltativo) Per criptare lo stato della pipeline Dataflow con una chiave di crittografia gestita dal cliente, fai clic su Mostra opzioni di crittografia e seleziona Utilizza una chiave di crittografia gestita dal cliente (CMEK). Poi seleziona una chiave dall'elenco a discesa.

13. Seleziona la casella di controllo in Conferma addebiti per confermare che sono previsti addebiti oltre a quelli sostenuti dall'istanza Spanner esistente.

14. Fai clic su Importa.

    Nella console Google Cloud viene visualizzata la pagina Dettagli database, che ora mostra una casella che descrive il job di importazione, incluso il tempo trascorso del job:

    

Quando il job viene completato o terminato, la console Google Cloud visualizza un messaggio nella pagina Dettagli database. Se il job ha esito positivo, viene visualizzato un messaggio di operazione riuscita:

Nota: al termine del job di importazione di Dataflow, Spanner crea indici e chiavi esterne per il database importato. Mentre è in corso la creazione dell'indice, la console Google Cloud mostra un'icona In corso per indicare che è in corso un'operazione a lunga esecuzione. L'icona si trova accanto al nome dell'indice, nella gerarchia del database a sinistra della pagina Dettagli database. Quando l'icona In corso diventa l'icona dell'indice , la creazione dell'indice è completata. Puoi eseguire una query su SPANNER_STATE nella visualizzazione INFORMATION_SCHEMA.REFERENTIAL_CONSTRAINTS per controllare l'avanzamento della creazione delle chiavi esterne.

Se il job non riesce, viene visualizzato un messaggio di errore:

Se il job non va a buon fine, controlla i log Dataflow del job per i dettagli dell'errore e consulta Risolvere i problemi dei job di importazione non riuscita.

Nota sull'importazione delle colonne generate e modifiche in tempo reale

Spanner utilizza la definizione di ogni colonna generata nello schema Avro per ricreare quella colonna. Spanner calcola automaticamente i valori delle colonne generati durante l'importazione.

Allo stesso modo, Spanner utilizza la definizione di ogni flusso di modifiche nello schema Avro per ricrearlo durante l'importazione. I dati dei flussi di modifiche non vengono esportati né importati tramite Avro, pertanto tutti i modifiche in tempo reale associati a un database appena importato non avranno record di dati delle modifiche.

Nota sull'importazione delle sequenze

Ogni sequenza (GoogleSQL, PostgreSQL) esportata da Spanner utilizza la funzione GET_INTERNAL_SEQUENCE_STATE() (GoogleSQL, PostgreSQL) per acquisire lo stato attuale. Spanner aggiunge un buffer pari a 1000 al contatore e scrive il nuovo valore del contatore nelle proprietà del campo del record. Tieni presente che questo è solo il miglior approccio per evitare errori di valori duplicati che potrebbero verificarsi dopo l'importazione. Modifica il contatore delle sequenze effettivo se sono presenti più scritture nel database di origine durante l'esportazione dei dati.

Al momento dell'importazione, la sequenza inizia da questo nuovo contatore anziché da quello presente nello schema. Se necessario, puoi utilizzare l'istruzione ALTER SEQUENCE (GoogleSQL, PostgreSQL) per eseguire l'aggiornamento a un nuovo contatore.

Scegli una regione per il job di importazione

Puoi scegliere una regione diversa in base alla località del bucket Cloud Storage. Per evitare addebiti per il trasferimento di dati in uscita, scegli una regione che corrisponda alla località del bucket Cloud Storage.

• Se la località del bucket Cloud Storage è una regione, puoi usufruire dell'utilizzo gratuito della rete scegliendo la stessa regione per il job di importazione, supponendo che quella regione sia disponibile.

• Se la località del bucket Cloud Storage è a due regioni, puoi usufruire dell'utilizzo gratuito della rete scegliendo una delle due regioni che compongono la doppia regione per il job di importazione, supponendo che una delle regioni sia disponibile.

• Se una regione con sede condivisa non è disponibile per il job di importazione o se la località bucket Cloud Storage è multiregionale, si applicano i costi per il trasferimento dei dati in uscita. Consulta i prezzi del trasferimento di dati di Cloud Storage per scegliere una regione in cui vengono addebitati i costi più bassi per il trasferimento di dati.

Visualizza o risolvi i problemi dei job nell'interfaccia utente di Dataflow

Dopo aver avviato un job di importazione, puoi visualizzare i dettagli del job, inclusi i log, nella sezione Dataflow della console Google Cloud.

Visualizza dettagli job Dataflow

Per visualizzare i dettagli di eventuali job di importazione/esportazione che hai eseguito nell'ultima settimana, inclusi eventuali job attualmente in esecuzione:

1. Vai alla pagina Panoramica del database per il database.
2. Fai clic sulla voce di menu Importa/Esporta nel riquadro a sinistra. La pagina Importa/Esporta del database mostra un elenco dei job recenti.

3. Nella pagina Importa/Esporta del database, fai clic sul nome del job nella colonna Nome job Dataflow:

   

   Nella console Google Cloud vengono visualizzati i dettagli del job Dataflow.

Per visualizzare un lavoro che hai eseguito più di una settimana fa:

1. Vai alla pagina dei job Dataflow nella console Google Cloud.

   Vai alla pagina dei job

2. Trova il job nell'elenco e fai clic sul suo nome.

   Nella console Google Cloud vengono visualizzati i dettagli del job Dataflow.

Nota: i job dello stesso tipo per lo stesso database hanno lo stesso nome. Puoi distinguere i job in base ai valori nelle colonne Start time (Ora di inizio) o End time (Ora di fine).

Visualizza i log di Dataflow per il tuo job

Per visualizzare i log di un job Dataflow, vai alla pagina dei dettagli del job come descritto in precedenza, quindi fai clic su Log a destra del nome del job.

Se un job non riesce, cerca gli errori nei log. In caso di errori, il numero di errori viene visualizzato accanto a Log:

Per visualizzare gli errori del job:

1. Fai clic sul conteggio degli errori accanto a Log.

   Nella console Google Cloud vengono visualizzati i log del job. Potresti dover scorrere per vedere gli errori.

2. Individua le voci con l'icona di errore .

3. Fai clic su una singola voce di log per espanderne il contenuto.

Per ulteriori informazioni sulla risoluzione dei problemi dei job Dataflow, consulta Risoluzione dei problemi della pipeline.

Risolvere i problemi dei job di importazione non riusciti

Se visualizzi i seguenti errori nei log del job:

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

--or--

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

Controlla la latenza di scrittura del 99% nella scheda Monitoring del database Spanner nella console Google Cloud. Se mostra valori elevati (più secondi), significa che l'istanza è sovraccarico, causando un timeout delle scritture e un errore.

Una causa dell'alta latenza è che il job Dataflow viene eseguito utilizzando troppi worker, determinando un carico eccessivo sull'istanza Spanner.

Per specificare un limite per il numero di worker Dataflow, anziché utilizzare la scheda Importa/Esporta nella pagina dei dettagli dell'istanza del database Spanner nella console Google Cloud, devi avviare l'importazione utilizzando il modello da Cloud Storage Avro a Cloud Spanner di Dataflow e specificare il numero massimo di worker come descritto di seguito:

• Se utilizzi la console di Dataflow, il parametro Numero massimo di worker si trova nella sezione Parametri facoltativi della pagina Crea job da modello.

• Se utilizzi gcloud, specifica l'argomento max-workers. Ad esempio:

  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
  

Ottimizza i job di importazione a esecuzione lenta

Se hai seguito i suggerimenti nelle impostazioni iniziali, in genere non dovresti apportare altre modifiche. Se il job viene eseguito lentamente, puoi provare alcune altre ottimizzazioni:

• Ottimizza il job e la località dei dati: esegui il job Dataflow nella stessa regione in cui si trovano l'istanza Spanner e il bucket Cloud Storage.

• Garantisci un numero sufficiente di risorse Dataflow: se le quote di Compute Engine pertinenti limitano le risorse del tuo job Dataflow, nella pagina Dataflow del job nella console Google Cloud vengono visualizzati un'icona di avviso e messaggi di log:

  

  In questo caso, l'aumento delle quote per CPU, indirizzi IP in uso e disco permanente standard potrebbe ridurre il tempo di esecuzione del job, ma potresti incorrere in addebiti più alti di Compute Engine.

• Controlla l'utilizzo della CPU di Spanner: se noti che l'utilizzo della CPU per l'istanza è superiore al 65%, puoi aumentare la capacità di calcolo in quell'istanza. La capacità aggiunge più risorse di Spanner e il job dovrebbe velocizzare il processo, ma ti verranno addebitati ulteriori costi di Spanner.

Fattori che influiscono sulle prestazioni del job di importazione

Il tempo necessario per completare un job di importazione dipende da diversi fattori.

• Dimensioni del database Spanner: l'elaborazione di più dati richiede più tempo e risorse.

• Schema del database Spanner, che include:

  • Il numero di tabelle
  • La dimensione delle righe.
  • Il numero di indici secondari
  • Il numero di chiavi esterne
  • Il numero di modifiche in tempo reale

Tieni presente che la creazione dell'indice e della chiave esterna continua al termine del job di importazione di Dataflow. I flussi di modifiche vengono creati prima del completamento del job di importazione, ma dopo l'importazione di tutti i dati.

• Posizione dei dati: i dati vengono trasferiti tra Spanner e Cloud Storage utilizzando Dataflow. Idealmente, tutti e tre i componenti si trovano nella stessa regione. Se i componenti non si trovano nella stessa regione, lo spostamento dei dati tra regioni rallenta il job.

• Numero di worker Dataflow: per buone prestazioni sono necessari worker Dataflow ottimali. Mediante la scalabilità automatica, Dataflow sceglie il numero di worker per il job in base alla quantità di lavoro da svolgere. Il numero di worker sarà tuttavia limitato dalle quote per CPU, indirizzi IP in uso e disco permanente standard. La UI di Dataflow mostra un'icona di avviso in caso di limiti di quota. In questo caso, l'avanzamento è più lento, ma il job dovrebbe comunque essere completato. La scalabilità automatica può sovraccaricare Spanner causando errori quando è presente una grande quantità di dati da importare.

• Carico esistente su Spanner: un job di importazione aggiunge un carico della CPU significativo su un'istanza Spanner. Se l'istanza ha già un carico esistente considerevole, il job viene eseguito più lentamente.

• Quantità di capacità di calcolo di Spanner: se l'utilizzo della CPU per l'istanza è superiore al 65%, il job viene eseguito più lentamente.

Ottimizza i worker per buone prestazioni di importazione

Quando avvii un job di importazione di Spanner, i worker Dataflow devono essere impostati su un valore ottimale per ottenere buone prestazioni. Troppi worker causino il sovraccarico di Spanner e un numero insufficiente di worker si traduce in prestazioni di importazione insufficienti.

Il numero massimo di worker dipende fortemente dalle dimensioni dei dati, ma Idealmente, l'utilizzo totale della CPU di Spanner dovrebbe essere compreso tra il 70% e il 90%. Questo offre un buon equilibrio tra efficienza di Spanner e completamento del job senza errori.

Per raggiungere questo target di utilizzo nella maggior parte degli schemi e degli scenari, consigliamo un numero massimo di vCPU worker compreso tra 4 e 6 volte il numero di nodi Spanner.

Ad esempio, per un'istanza Spanner a 10 nodi con worker n1-standard-2, imposterai il numero massimo di worker su 25, per ottenere 50 vCPU.