Trasferimento da HDFS a Cloud Storage

Storage Transfer Service supporta i trasferimenti da origini Hadoop Distributed File System (HDFS) on-premise e cloud.

I trasferimenti da HDFS devono utilizzare Cloud Storage come destinazione.

I casi d'uso includono la migrazione dallo spazio di archiviazione on-premise a Cloud Storage, l'archiviazione dei dati per liberare spazio di archiviazione on-premise, la replica dei dati su Google Cloud per la continuità aziendale o il trasferimento dei dati su Google Cloud per l'analisi e l'elaborazione.

Configura autorizzazioni

Prima di creare un trasferimento, devi configurare le autorizzazioni per: entità:

L'account utente utilizzato per creare il trasferimento. Questo è il collegato alla console Google Cloud o l'account collegato specificato durante l'autenticazione nell'interfaccia a riga di comando "gcloud". L'account utente può essere un normale account utente o un account di servizio gestito dall'utente.
Il service account gestito da Google, noto anche come agente di servizio, utilizzato da Storage Transfer Service. Questo account è generalmente identificato da il suo indirizzo email, che utilizza il formato project-PROJECT_NUMBER@storage-transfer-service.iam.gserviceaccount.com.
L'account dell'agente trasferito che fornisce Google Cloud autorizzazioni per gli agenti di trasferimento. Per l'autenticazione, gli account agente di trasferimento utilizzano le credenziali dell'utente che li installa o le credenziali di un account di servizio gestito dall'utente.

Per istruzioni, consulta la sezione Autorizzazioni di trasferimento basate su agenti.

Installare gli agenti in un pool di agenti

I trasferimenti basati su agenti utilizzano agenti software per orchestrare i trasferimenti. Questi agenti devono essere installati su una o più macchine con accesso al file system. Gli agenti devono avere accesso al namenode, a tutti i datanode, al server di gestione delle chiavi Hadoop (KMS) e al Key Distribution Center (KDC) Kerberos.

Gli agenti di trasferimento lavorano insieme in un pool di agenti. Aumentare il numero di agenti può migliorare le prestazioni complessive del lavoro, ma questo dipende da diversi fattori.

  • L'aggiunta di altri agenti può essere utile: fino a circa la metà del numero di nodi in HDFS in un cluster Kubernetes. Ad esempio, con un cluster di 30 nodi, con un numero di agenti compreso tra 5 e 15 dovrebbe migliorare le prestazioni, ma oltre 15 è improbabile che facciano la differenza.

  • Per un piccolo cluster HDFS, potrebbe essere sufficiente un agente.

  • Gli agenti aggiuntivi tendono ad avere un impatto maggiore sul rendimento quando un trasferimento include un numero elevato di file di piccole dimensioni. Storage Transfer Service raggiunge un'elevata throughput parallelizzando le attività di trasferimento tra più agenti. Più dei file nel carico di lavoro, maggiori sono i vantaggi dall'aggiunta di altri agenti.

Non includere informazioni sensibili come informazioni che consentono l'identificazione personale (PII) o dati di sicurezza nel nome del pool di agenti o nel prefisso dell'ID agente. I nomi delle risorse possono essere propagati ai nomi di altre risorse Google Cloud e potrebbero essere esposti a sistemi interni di Google al di fuori del tuo progetto.

Crea un pool di agenti

Crea un pool di agenti. Utilizza il tuo account utente Simbolo account utente per questa azione.

Installa agenti

Installare gli agenti nel pool di agenti. Utilizza il tuo account di agente per i trasferimenti per questa azione.

Console Google Cloud

  1. Nella console Google Cloud, vai alla pagina Pool di agenti.

    Vai a Pool di agenti

  2. Seleziona il pool di agenti a cui aggiungere il nuovo agente.

  3. Fai clic su Installa agente.

  4. Segui le istruzioni per installare ed eseguire l'agente.

    Per ulteriori informazioni sulle opzioni a riga di comando dell'agente, consulta Opzioni a riga di comando dell'agente.

Interfaccia a riga di comando gcloud

Per installare uno o più agenti utilizzando l'interfaccia a riga di comando gcloud, eseguigcloud transfer agents install:

gcloud transfer agents install --pool=POOL_NAME \
  --count=NUM_AGENTS \
  --mount-directories=MOUNT_DIRECTORIES \
  --hdfs-namenode-uri=HDFS_NAMENODE_URI \
  --hdfs-username=HDFS_USERNAME \
  --hdfs-data-transfer-protection=HDFS_DATA_TRANSFER_PROTECTION \
  --kerberos-config-file=KERBEROS_CONFIG_FILE \
  --kerberos-keytab-file=KERBEROS_KEYTAB_FILE \
  --kerberos-user-principal=KERBEROS_USER_PRINCIPAL \
  --kerberos-service-principal=KERBEROS_SERVICE_PRINCIPAL \

Dove:

  • --hdfs-namenode-uri specifica un cluster HDFS che include uno schema, namenode e porta in formato URI. Ad esempio:

    • rpc://my-namenode:8020
    • http://my-namenode:9870

    Utilizza HTTP o HTTPS per WebHDFS. Se non viene fornito uno schema, si presume che sia RPC. Se non viene specificata alcuna porta, il valore predefinito è 8020 per RPC, 9870 per HTTP e 9871 per HTTPS. Ad esempio, l'input my-namenode diventa rpc://my-namenode:8020.

    Se il cluster è configurato con più namenodi, specifica la nodo primario attuale. Per ulteriori informazioni, consulta la sezione Cluster con più namenode.

  • --hdfs-username è il nome utente per la connessione a un cluster HDFS con semplice autenticazione. Ometti questo flag se esegui l'autenticazione con Kerberos oppure se ti stai connettendo senza autenticazione.

  • --hdfs-data-transfer-protection (facoltativo) è la qualità lato client di dell'impostazione di protezione (QOP) per i cluster Kerberizzati. Il valore non può essere più restrittivo del valore QOP lato server. I valori validi sono: authentication, integrity e privacy.

Se esegui l'autenticazione con Kerberos, includi anche i seguenti flag:

  • --kerberos-config-file è il percorso di un file di configurazione Kerberos. Ad esempio, --kerberos-config-file=/etc/krb5.conf.

  • --kerberos-user-principal è l'entità utente Kerberos da utilizzare. Ad esempio, --kerberos-user-principal=user1.

  • --kerberos-keytab-file è il percorso di un file Keytab contenente il principale dell'utente specificato con il flag --kerberos-user-principal. Ad esempio, --kerberos-keytab-file=/home/me/kerberos/user1.keytab.

  • --kerberos-service-principal è l'entità del servizio Kerberos da utilizzare, nel formato <primary>/<instance>. Il realm viene mappato dal file di configurazione Kerberos. Qualsiasi realm fornito viene ignorato. Se questo flag non viene specificato, il valore predefinito è hdfs/<namenode_fqdn>, dove <namenode_fqdn> è il nome di dominio completo specificato nel file di configurazione.

    Ad esempio: --kerberos-service-principal=hdfs/my-namenode.a.example.com.

Lo strumento ti guida attraverso i passaggi necessari per installare gli agenti. Questo installa NUM_AGENTS agente sulla tua macchina, mappato a il nome del pool specificato come POOL_NAME e autentica il utilizzando le tue credenziali gcloud. Il nome del pool deve esistere oppure .

Il flag --mount-directories è facoltativo, ma vivamente consigliato. È value è un elenco separato da virgole di directory sul file system in cui per concedere l'accesso all'agente. Se ometti questo flag, l'intero file system viene montato nel container dell'agente. Consulta: il Riferimento gcloud per ulteriori dettagli.

docker run

Prima di utilizzare docker run per installare gli agenti, segui le istruzioni per installare Docker.

Il comando docker run installa un agente. aumentare il numero di agenti nel pool, esegui nuovamente questo comando tutte le volte necessarie.

I flag dei comandi richiesti dipendono dal tipo di autenticazione che utilizzano.

Kerberos

Per eseguire l'autenticazione nel file system utilizzando Kerberos, utilizza la seguente comando:

sudo docker run -d --ulimit memlock=64000000 --rm \
  --network=host \
  -v /:/transfer_root \
  gcr.io/cloud-ingest/tsop-agent:latest \
  --enable-mount-directory \
  --project-id=${PROJECT_ID} \
  --hostname=$(hostname) \
  --creds-file="service_account.json" \
  --agent-pool=${AGENT_POOL_NAME} \
  --hdfs-namenode-uri=cluster-namenode \
  --kerberos-config-file=/etc/krb5.conf \
  --kerberos-user-principal=user \
  --kerberos-keytab-file=/path/to/folder.keytab

Dove:

  • --network=host deve essere omesso se stai eseguendo più di un agente su questa macchina.

  • --hdfs-namenode-uri: uno schema, un namenode e una porta in formato URI che rappresentano un cluster HDFS. Ad esempio:

    • rpc://my-namenode:8020
    • http://my-namenode:9870

Utilizza HTTP o HTTPS per WebHDFS. Se non viene fornito uno schema, si presume che sia RPC. Se non viene specificata alcuna porta, il valore predefinito è 8020 per RPC, 9870 per HTTP e 9871 per HTTPS. Ad esempio, l'input my-namenode diventa rpc://my-namenode:8020.

Se il cluster è configurato con più namenodi, specifica la nodo primario attuale. Consulta: Cluster con più namenode per ulteriori informazioni informazioni.

  • --kerberos-config-file: percorso a un file di configurazione Kerberos. Predefinita è /etc/krb5.conf.
  • --kerberos-user-principal: il principio utente Kerberos.
  • --kerberos-keytab-file: percorso di un file Keytab contenente il principale dell'utente specificato con --kerberos-user-principal.
  • --kerberos-service-principal: l'entità servizio Kerberos da utilizzare, del tipo "service/instance". L'area di autenticazione è mappata dalla configurazione Kerberos file; qualsiasi area di autenticazione fornita viene ignorata. Se questo flag non viene specificato, il valore predefinito è hdfs/<namenode_fqdn>, dove fqdn è il nome di dominio completo.

Autenticazione semplice

Per eseguire l'autenticazione nel file system utilizzando un'autenticazione semplice:

sudo docker run -d --ulimit memlock=64000000 --rm \
  --network=host \
  -v /:/transfer_root \
  gcr.io/cloud-ingest/tsop-agent:latest \
  --enable-mount-directory \
  --project-id=${PROJECT_ID} \
  --hostname=$(hostname) \
  --creds-file="${CREDS_FILE}" \
  --agent-pool="${AGENT_POOL_NAME}" \
  --hdfs-namenode-uri=cluster-namenode \
  --hdfs-username="${USERNAME}"

Dove:

  • --hdfs-username: nome utente da utilizzare per la connessione a un cluster HDFS usando l'autenticazione semplice.
  • --hdfs-namenode-uri: uno schema, un namenode e una porta in formato URI che rappresentano un cluster HDFS. Ad esempio:
    • rpc://my-namenode:8020
    • http://my-namenode:9870

Utilizza HTTP o HTTPS per WebHDFS. Se non viene fornito nessuno schema, si suppone RPC. Se non viene fornita alcuna porta, il valore predefinito è 8020 per RPC, 9870 per HTTP e 9871 per HTTPS. Ad esempio, l'input my-namenode diventa rpc://my-namenode:8020.

Se il cluster è configurato con più namenodi, specifica la nodo primario attuale. Per ulteriori informazioni, consulta la sezione Cluster con più namenode.

Nessuna autorizzazione

Per connetterti al file system senza alcuna autenticazione:

sudo docker run -d --ulimit memlock=64000000 --rm \
  --network=host \
  -v /:/transfer_root \
  gcr.io/cloud-ingest/tsop-agent:latest \
  --enable-mount-directory \
  --project-id=${PROJECT_ID} \
  --hostname=$(hostname) \
  --creds-file="${CREDS_FILE}" \
  --agent-pool="${AGENT_POOL_NAME}" \
  --hdfs-namenode-uri=cluster-namenode \

Dove:

  • --hdfs-namenode-uri: uno schema, un namenode e una porta in formato URI che rappresentano un cluster HDFS. Ad esempio:
    • rpc://my-namenode:8020
    • http://my-namenode:9870

Utilizza HTTP o HTTPS per WebHDFS. Se non viene fornito nessuno schema, si suppone RPC. Se non viene fornita alcuna porta, il valore predefinito è 8020 per RPC, 9870 per HTTP e 9871 per HTTPS. Ad esempio, l'input my-namenode diventa rpc://my-namenode:8020.

Se il cluster è configurato con più namenodi, specifica la nodo primario attuale. Consulta: Cluster con più namenode per ulteriori informazioni informazioni.

Opzioni di trasferimento

Le seguenti funzionalità di Storage Transfer Service sono disponibili per i trasferimenti da HDFS a Cloud Storage.

I file trasferiti da HDFS non conservano metadata.

Crea un trasferimento

Non includere nel nome del job di trasferimento informazioni sensibili come quelle che consentono l'identificazione personale (PII) o dati di sicurezza. I nomi delle risorse possono essere propagati ai nomi di altre risorse Google Cloud e potrebbero essere esposti a sistemi interni di Google al di fuori del tuo progetto.

Storage Transfer Service fornisce più interfacce tramite le quali creare un trasferimento.

Console Google Cloud

  1. Vai alla pagina Storage Transfer Service nella console Google Cloud.

    Vai a Storage Transfer Service

  2. Fai clic su Crea job di trasferimento. La pagina Crea un job di trasferimento visualizzati.

  3. Seleziona Hadoop Distributed File System come Tipo di origine. La destinazione deve essere Google Cloud Storage.

    Fai clic su Passaggio successivo.

Configura l'origine

  1. Specifica le informazioni richieste per questo trasferimento:

    1. Seleziona il pool di agenti che hai configurato per questa richiesta trasferimento.

    2. Inserisci il percorso da cui eseguire il trasferimento relativo alla directory principale.

  2. Se vuoi, specifica eventuali filtri da applicare ai dati di origine.

  3. Fai clic su Passaggio successivo.

Configura lo scarico

  1. Nel campo Bucket o cartella, inserisci il bucket di destinazione. e (facoltativamente) del nome della cartella oppure fai clic su Sfoglia per selezionare un bucket da un elenco di bucket esistenti nel tuo progetto attuale. Per creare un nuovo bucket, fai clic su Icona del bucket Crea nuovo bucket.

  2. Fai clic su Passaggio successivo.

Programma il trasferimento

Puoi pianificare l'esecuzione del trasferimento una sola volta o configurare un trasferimento periodicamente.

Fai clic su Passaggio successivo.

Scegliere le impostazioni di trasferimento

  1. Nel campo Descrizione, inserisci una descrizione del trasferimento. Come best practice, inserisci una descrizione significativa e unica per distinguere i job.

  2. In Opzioni metadati, seleziona la classe di archiviazione di Cloud Storage, e se salvare o meno ogni oggetto data e ora di creazione. Per maggiori dettagli, consulta la sezione Conservazione dei metadati.

  3. In Quando sovrascrivere, seleziona una delle seguenti opzioni:

    • Mai: non sovrascrivere i file di destinazione. Se esiste un file con lo stesso nome, non verrà trasferito.

    • Se diverso: sovrascrive i file di destinazione se il file di origine. con lo stesso nome ha valori Etag o checksum diversi.

    • Sempre: sovrascrive sempre i file di destinazione quando il file di origine ha lo stesso nome, anche se sono identici.

  4. In Quando eliminare, seleziona una delle seguenti opzioni:

    • Mai: non eliminare mai i file dall'origine o dalla destinazione.

    • Elimina i file dalla destinazione se non sono anche nell'origine: se anche i file nel bucket Cloud Storage di destinazione l'origine, quindi elimina i file da Cloud Storage di sincronizzare la directory di una VM con un bucket.

      Questa opzione garantisce che il bucket Cloud Storage di destinazione corrisponda esattamente all'origine.

  5. Scegli se attivare la registrazione dei trasferimenti e/o le notifiche Pub/Sub.

Fai clic su Crea per creare il job di trasferimento.

Interfaccia a riga di comando gcloud

Per creare un nuovo job di trasferimento, utilizza gcloud transfer jobs create . La creazione di un nuovo job avvia il trasferimento specificato, a meno che non sia specificata una pianificazione o --do-not-run.

gcloud transfer jobs create \
  hdfs:///PATH/ gs://BUCKET_NAME/PATH/
  --source-agent-pool=AGENT_POOL_NAME

Dove:

  • PATH è un percorso assoluto dalla radice del cluster HDFS. Il cluster namenode e port sono configurati a livello di agente, quindi la creazione del job deve specificare solo il percorso (facoltativo) e il pool di agenti.

  • --source-agent-pool specifica il pool di agenti di origine da utilizzare per questa richiesta trasferimento.

Altre opzioni sono:

  • --do-not-run impedisce a Storage Transfer Service di eseguire il job al momento dell'invio del comando. Per eseguire il job, aggiornalo per aggiungere una pianificazione o utilizza jobs run per avviarlo manualmente.

  • --manifest-file specifica il percorso di un file CSV in Cloud Storage contenente un elenco di file da trasferire dall'origine. Per il file manifest formattazione, consulta Trasferisci file o oggetti specifici utilizzando un manifest.

  • Informazioni job: puoi specificare --name e --description.

  • Pianifica: specifica --schedule-starts, --schedule-repeats-every e --schedule-repeats-until o --do-not-run.

  • Condizioni degli oggetti: utilizza le condizioni per determinare quali oggetti vengono trasferiti. Sono inclusi --include-prefixes e --exclude-prefixes, nonché le condizioni basate sul tempo in --include-modified-[before | after]-[absolute | relative]. Se hai specificato una cartella con l'origine, i filtri dei prefissi sono relativi a quella cartella. Per ulteriori informazioni, consulta Filtrare gli oggetti di origine per prefisso informazioni.

  • Opzioni di trasferimento: specifica se sovrascrivere i file di destinazione (--overwrite-when=different o always) e se eliminare determinati file durante o dopo il trasferimento (--delete-from=destination-if-unique o source-after-transfer). Se vuoi, puoi anche impostare una classe di archiviazione sugli oggetti trasferiti (--custom-storage-class).

  • Notifiche: configura le notifiche Pub/Sub per i trasferimenti con --notification-pubsub-topic, --notification-event-types e --notification-payload-format.

Per visualizzare tutte le opzioni, esegui gcloud transfer jobs create --help o consulta le documentazione di riferimento gcloud.

API REST

Per creare un trasferimento da un'origine HDFS utilizzando l'API REST, crea un oggetto JSON simile all'esempio seguente.

POST https://storagetransfer.googleapis.com/v1/transferJobs
{
  ...
  "transferSpec": {
    "source_agent_pool_name":"POOL_NAME",
    "hdfsDataSource": {
      "path": "/mount"
    },
    "gcsDataSink": {
      "bucketName": "SINK_NAME"
    },
    "transferOptions": {
      "deleteObjectsFromSourceAfterTransfer": false
    }
  }
}

Consulta il riferimento di transferJobs.create per maggiori dettagli su campi aggiuntivi supportati.

Cluster con più namenodi

Gli agenti di Storage Transfer Service possono essere configurati solo con un singolo namenode. Se le tue Il cluster HDFS è configurato con più namenode ("alta disponibilità") e un evento di failover genera un nuovo namenode principale, devi reinstalla gli agenti con il namenode corretto.

Per eliminare i vecchi agenti, consulta Eliminare un agente.

Il namenode attivo del cluster può essere recuperato eseguendo:

hdfs haadmin -getAllServiceState