Importer des fichiers Avro Cloud Spanner

Cette page explique comment importer des bases de données Cloud Spanner dans Cloud Spanner à l'aide de Google Cloud Console. Si vous souhaitez importer des fichiers Avro à partir d'une autre source, consultez la page Importer des données à partir de bases de données autres que Cloud Spanner.

Ce processus fait appel à Dataflow. Il consiste à importer des données à partir d'un dossier de bucket Cloud Storage contenant un ensemble de fichiers Avro et de fichiers manifestes JSON. Le processus d'importation n'accepte que les fichiers Avro exportés à partir de Cloud Spanner.

Pour importer une base de données Cloud Spanner à l'aide de l'API REST ou de l'outil de ligne de commande gcloud, suivez les étapes de la section Avant de commencer sur cette page, puis consultez les instructions détaillées de Cloud Storage Avro vers Cloud Spanner.

Avant de commencer

Pour importer une base de données Cloud Spanner, vous devez d'abord activer les API Cloud 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 en matière de quota

Pour le service Google Cloud, les exigences de quota relatives aux tâches d'importation sont les suivantes :

  • Cloud Spanner : vous devez disposer d'un nombre de nœuds suffisant pour traiter la quantité de données à importer. Aucun nœud supplémentaire n'est requis pour importer une base de données, mais il peut s'avérer nécessaire d'ajouter des nœuds pour que la tâche se termine dans un délai raisonnable. Pour en savoir plus, consultez la section Optimiser les tâches.
  • 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 plus d'informations sur l'attribution de rôles et l'octroi d'autorisations, consultez la page Attribuer des rôles IAM.

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

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

Rechercher le dossier de votre base de données dans Cloud Storage (facultatif)

Pour trouver le dossier contenant votre base de données exportée dans Cloud Console, accédez au navigateur Cloud Storage, puis cliquez sur le bucket contenant le dossier exporté.

Accéder au navigateur Cloud Storage

Le nom du dossier contenant vos données exportées commence par l'ID de votre instance, suivi du nom de la base de données et de l'horodatage de la tâche d'exportation. Ce dossier contient :

  • Un fichier spanner-export.json.
  • Un fichier TableName-manifest.json pour chaque table de la base de données que vous avez exportée.
  • Un ou plusieurs fichiers TableName.avro-#####-of-#####. Le premier nombre figurant dans l'extension .avro-#####-of-##### représente l'index du fichier Avro compté à partir de zéro, tandis que le second correspond au nombre de fichiers Avro générés pour chaque table.

    Par exemple, Songs.avro-00001-of-00002 est le deuxième des deux fichiers contenant les données de la table Songs.

Importer une base de données

Pour importer votre base de données Cloud Spanner dans votre instance à partir de Cloud Storage, procédez comme suit.

  1. Accédez à la page Instances de Cloud Spanner.

    Accéder à la page Instances

  2. Cliquez sur le nom de l'instance qui contiendra la base de données importée.

  3. Cliquez sur l'onglet Importations/exportations, puis sur le bouton Importer.

  4. Sous Sélectionner un dossier source, cliquez sur Parcourir.

  5. Recherchez le bucket contenant votre exportation dans la liste initiale, ou cliquez sur Rechercher Capture d'écran de l'élément d'interface utilisateur pour le retrouver en filtrant la liste. Double-cliquez sur le bucket pour afficher les dossiers qu'il contient.

  6. Recherchez le dossier contenant vos fichiers exportés et cliquez dessus pour le sélectionner.

  7. Cliquez sur Sélectionner.

  8. Saisissez un nom pour la base de données qui sera créée par Cloud Spanner lors du processus d'importation. Vous ne pouvez pas spécifier un nom de base de données existant déjà dans votre instance.

  9. Sélectionnez une région dans le menu déroulant Sélectionner une région pour la tâche d'importation.

  10. Cochez la case située sous Confirmer les frais pour accepter la facturation de frais supplémentaires en plus des frais relatifs à vos nœuds Cloud Spanner existants.

  11. Cliquez sur Importer.

    Cloud Console ouvre la page Détails de la base de données, qui affiche désormais une description de votre tâche d'importation, y compris le temps écoulé :

    Capture d'écran de la tâche en cours

Lorsque la tâche se termine ou est interrompue, Cloud Console affiche un message sur la page Détails de la base de données. Si la tâche a abouti, un message tel que celui-ci apparaît :

Message de réussite de la tâche d'importation

Si la tâche n'a pas abouti, un message d'échec apparaît :

Message d'échec de la tâche d'importation

En cas d'échec, consultez les journaux Dataflow de cette tâche pour connaître les détails de l'erreur et consultez la section Résoudre les problèmes liés aux tâches d'importation ayant échoué.

Sélectionner une région pour votre tâche d'importation

Vous pouvez être amené à choisir une région différente selon que votre bucket Cloud Storage utilise une configuration régionale ou multirégionale. Afin d'éviter des frais de sortie de réseau, choisissez une région qui chevauche l'emplacement de votre bucket Cloud Storage.

Emplacements de buckets régionaux

Si l'emplacement de votre bucket Cloud Storage est régional, choisissez la même région pour votre tâche d'importation si celle-ci est disponible, de façon à bénéficier de l'utilisation gratuite du réseau.

Si cette région n'est pas disponible, des frais de sortie seront facturés. Consultez les tarifs de sortie de réseau relatifs à Cloud Storage et sélectionnez la région qui générera le moins de frais de sortie.

Emplacements de buckets multirégionaux

Si l'emplacement de votre bucket Cloud Storage est multirégional, choisissez l'une des régions qui en dépendent afin de bénéficier de l'utilisation gratuite du réseau.

Si aucune région en chevauchement n'est disponible, des frais de sortie seront facturés. Consultez les tarifs de sortie de réseau relatifs à Cloud Storage et sélectionnez la région qui générera le moins de frais de sortie.

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

Après avoir démarré une tâche d'importation, vous pouvez consulter les détails de cette tâche et les journaux associés dans la section Dataflow de Cloud Console.

Afficher les détails d'une tâche Dataflow

Pour afficher les détails d'une tâche en cours d'exécution :

  1. Accédez à la page Détails de la base de données correspondant à la base de données.
  2. Cliquez sur View job details in Dataflow (Afficher les détails de la tâche dans Dataflow) dans le message d'état de la tâche :

    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 récemment :

  1. Accédez à la page Détails de la base de données correspondant à la base de données.
  2. Cliquez sur l'onglet Importations/Exportations.
  3. Cliquez sur le nom de votre tâche dans la liste.

    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 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 correspondant à 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

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 .

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

Pour en savoir plus sur le dépannage lié aux 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 en lecture/écriture de 99% dans l'onglet Surveillance 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 une limite du nombre de nœuds de calcul Dataflow, au lieu d'utiliser l'onglet "Importations/Exportations" de la page des détails de l'instance de votre base de données Cloud Spanner dans Cloud Console, vous devez démarrer l'importation à l'aide du modèle Modèle Cloud Storage Avro vers Cloud Spanner Dataflow 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
    

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.

Optimiser les tâches d'importation dont l'exécution est ralentie

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

  • Veillez à ce que les ressources Dataflow soient suffisantes : si les ressources de votre tâche Dataflow sont limitées par certains quotas Compute Engine correspondants, la page Dataflow associée à cette tâche dans Google Cloud Console affiche une icône d'avertissement Icône Avertissement ainsi qu'un message de journalisation :

    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 associée à Cloud Spanner : si vous constatez qu'une instance présente un taux d'utilisation du processeur supérieur à 65 %, vous pouvez augmenter le nombre de nœuds configurés dans cette instance. Les nœuds supplémentaires ajoutent des ressources à Cloud Spanner, ce qui devrait accélérer l'exécution de la tâche, mais risque aussi d'entraîner la facturation de frais supplémentaires.

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 Cloud Spanner : le temps de traitement et les ressources requises augmentent avec la quantité de données à traiter.

  • Schéma de base de données Cloud Spanner : le nombre de tables, la taille des lignes, le nombre d'index secondaires et le nombre de clés étrangères influent sur le temps nécessaire à l'exécution d'une tâche d'importation. Notez que le processus de création d'index et de clés étrangères se poursuit une fois la tâche d'importation Dataflow terminée.

  • Emplacement des données : les données sont transférées de Cloud Spanner à Cloud Storage via 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 : Dataflow met en œuvre l'autoscaling pour décider du nombre de nœuds de calcul affectés à une 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.

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

  • Nombre de nœuds Cloud Spanner : si l'instance présente un taux d'utilisation du processeur supérieur à 65 %, l'exécution de la tâche est ralentie.