En esta página, se describe cómo importar bases de datos de Spanner a Spanner con la consola de Google Cloud. Para importar archivos Avro desde otra fuente, consulta Importa datos de bases de datos que no son de Spanner.
En el proceso, se usa Dataflow; importa datos desde una carpeta de bucket de Cloud Storage que contiene un conjunto de archivos Avro y archivos de manifiesto JSON. El proceso de importación solo admite archivos Avro exportados desde Spanner.
Para importar una base de datos de Spanner mediante la API de REST o gcloud CLI, completa los pasos de la sección Antes de comenzar en esta página y, luego, consulta las instrucciones detalladas en Cloud Storage Avro a Spanner.
Antes de comenzar
Para importar una base de datos de Spanner, primero debes habilitar las API de Spanner, Cloud Storage, Compute Engine y 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 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:
- En el 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 del proyecto de Google Cloud:
- Lector de bases de datos de Spanner (
roles/spanner.databaseReader) - Administrador de bases de datos de Spanner (
roles/spanner.databaseAdmin)
- Lector de bases de datos de Spanner (
Busca la carpeta de tu base de datos en Cloud Storage (opcional)
Para encontrar la carpeta que contiene tu base de datos exportada en la consola de Google Cloud, ve al navegador de Cloud Storage y haz clic en el bucket que contiene la carpeta exportada.
Ir al navegador de Cloud Storage
El nombre de la carpeta que contiene los datos exportados comienza con el ID de la instancia, el nombre de la base de datos y la marca de tiempo de tu trabajo de exportación. La carpeta contiene estos archivos:
- Un archivo
spanner-export.json - Un archivo
TableName-manifest.jsonpara cada tabla de la base de datos que exportaste Uno o más archivos
TableName.avro-#####-of-#####. El primer número de la extensión.avro-#####-of-#####representa el índice del archivo Avro y comienza en cero; el segundo representa la cantidad de archivos Avro generados para cada tabla.Por ejemplo,
Songs.avro-00001-of-00002es el segundo de dos archivos que contiene los datos de la tablaSongs.Un archivo
ChangeStreamName-manifest.jsonpara cada flujo de cambios en la base de datos que exportasteUn archivo
ChangeStreamName.avro-00000-of-00001para cada flujo de cambios Este archivo contiene datos vacíos que solo tienen el esquema Avro del flujo de cambios.
Importa una base de datos
Para importar tu base de datos de Spanner desde Cloud Storage a tu instancia, sigue estos pasos.
Ve a la página Instancias de Spanner.
Haz clic en el nombre de la instancia que contendrá la base de datos importada.
Haz clic en el elemento de menú Import/Export en el panel izquierdo y, luego, en el botón Import.
En Elegir una carpeta fuente, haz clic en Explorar.
Busca el bucket que contiene tu exportación en la lista inicial o haz clic en Buscar
para filtrar la lista y encontrar el bucket. Haz doble clic en el bucket para ver las carpetas que contiene.Busca la carpeta con tus archivos exportados y haz clic en ella para seleccionarla.
Haz clic en Seleccionar.
Ingresa un nombre para la base de datos nueva, que Spanner crea durante el proceso de importación. El nombre de la base de datos no puede existir en tu instancia.
Elige el dialecto para la nueva base de datos (GoogleSQL o PostgreSQL).
Para proteger la base de datos nueva con una clave de encriptación administrada por el cliente, haz clic en Mostrar opciones de encriptación y selecciona Usar una clave de encriptación administrada por el cliente (CMEK) (opcional). Luego, selecciona una clave de la lista desplegable.
En el menú desplegable Elegir una región para el trabajo de importación, selecciona una región.
Para encriptar el estado de la canalización de Dataflow con una clave de encriptación administrada por el cliente, haz clic en Mostrar opciones de encriptación y selecciona Usar una clave de encriptación administrada por el cliente (CMEK) (opcional). Luego, selecciona una clave de la lista desplegable.
Selecciona la casilla de verificación debajo de Confirmar cargos para confirmar que hay cargos adicionales a los incurridos por la instancia de Spanner existente.
Haz clic en Importar.
En la consola de Google Cloud, se muestra la página Detalles de la base de datos, que ahora muestra un cuadro que describe tu trabajo de importación, incluido el tiempo transcurrido del trabajo:
Cuando el trabajo finaliza, la consola de Google Cloud muestra un mensaje en la página Detalles de la base de datos. Si el trabajo se realiza de forma correcta, aparecerá un mensaje de confirmación como el siguiente:
Si el trabajo no se realiza correctamente, aparece un mensaje de error:
Si tu trabajo falla, verifica los registros de Dataflow del trabajo para obtener detalles del error y consulta Soluciona problemas de trabajos de importación con errores.
Nota sobre la importación de columnas generadas y flujos de cambios
Spanner usa la definición de cada columna generada en el esquema de Avro para volver a crear esa columna. Spanner calcula de forma automática los valores de columna generados durante la importación.
De manera similar, Spanner usa la definición de cada flujo de cambios en el esquema de Avro para volver a crearlo durante la importación. Los datos de flujos de cambios no se exportan ni se importan a través de Avro, por lo que todos los flujos de cambios asociados con una base de datos recién importada no tendrán registros de datos de cambios.
Nota sobre la importación de secuencias
Cada secuencia (GoogleSQL, PostgreSQL) que Spanner exporta usa la función GET_INTERNAL_SEQUENCE_STATE() (GoogleSQL, PostgreSQL) para capturar su estado actual. Spanner agrega un búfer de 1, 000 al contador y escribe el valor del contador nuevo en las propiedades del campo de registro. Ten en cuenta que este es solo el mejor enfoque para evitar errores de valores duplicados que podrían ocurrir después de la importación. Ajusta el contador de secuencias real si hay más operaciones de escritura en la base de datos de origen durante la exportación de datos.
En la importación, la secuencia comienza desde este contador nuevo en lugar del contador que se encuentra en el esquema. Si es necesario, puedes usar la instrucción ALTER SEQUENCE (GoogleSQL, PostgreSQL) para actualizar a un contador nuevo.
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:
- 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 trabajo de Dataflow.
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 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):
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.
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
y mensajes de registro:
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
Ten en cuenta que la creación de índices y clave externa continúa después de que se completa el trabajo de importación de Dataflow. Los flujos de cambios se crean antes de que se complete el trabajo de importación, pero después de importar todos los datos.
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.