Menggunakan bucket yang mengaktifkan namespace hierarkis untuk beban kerja Hadoop

Halaman ini menjelaskan cara menggunakan bucket yang mengaktifkan namespace hierarkis untuk workload Hadoop.

Ringkasan

Saat menggunakan bucket Cloud Storage dengan namespace hierarkis, Anda dapat mengonfigurasi konektor Cloud Storage untuk menggunakan operasi ganti nama folder untuk beban kerja seperti Hadoop, Spark, Hive.

Dalam bucket tanpa namespace hierarkis, operasi penggantian nama di Hadoop, Spark, dan Hive melibatkan beberapa tugas salin dan hapus objek, yang memengaruhi performa dan konsistensi. Mengganti nama folder menggunakan konektor Cloud Storage akan mengoptimalkan performa dan memastikan konsistensi, saat menangani folder dengan sejumlah besar objek.

Catatan: Sebaiknya gunakan konektor Cloud Storage versi 2.2.23 atau yang lebih baru (tidak termasuk versi 3.0.0). Namun, Anda dapat memilih versi yang lebih lama jika diperlukan. Saat menggunakan konektor Cloud Storage versi 3.0.0 atau versi yang lebih lama dari 2.2.23, ada beberapa batasan. Untuk mengetahui informasi selengkapnya tentang batasan ini, lihat Kompatibilitas dengan konektor Cloud Storage versi 3.0.0 atau versi yang lebih lama dari 2.2.23.

Dataproc

Anda dapat menggunakan Google Cloud CLI untuk membuat cluster Dataproc dan mengaktifkan konektor Cloud Storage untuk melakukan operasi folder.

1. Instal atau update konektor Cloud Storage versi 2.2.23 atau yang lebih baru (tidak termasuk versi 3.0.0).

2. Buat cluster Dataproc menggunakan perintah berikut:

     gcloud dataproc clusters create CLUSTER_NAME
     --properties=core:fs.gs.hierarchical.namespace.folders.enable=true,
     core:fs.gs.http.read-timeout=30000
     

   Dengan keterangan:

   • CLUSTER_NAME adalah nama cluster. Misalnya, my-cluster
   • fs.gs.hierarchical.namespace.folders.enable digunakan untuk mengaktifkan namespace hierarkis di bucket.

   • fs.gs.http.read-timeout adalah waktu maksimum yang diizinkan, dalam milidetik, untuk membaca data dari koneksi yang dibuat. Ini adalah setelan opsional.

     Catatan: Jika Anda menggunakan konektor Cloud Storage versi 3.0.0 atau versi yang lebih lama dari 2.2.23, setelan konfigurasi fs.gs.hierarchical.namespace.folders.enable tidak didukung dan akan menyebabkan error jika disertakan.

Hadoop yang dikelola sendiri

Anda dapat mengaktifkan konektor Cloud Storage di cluster Hadoop yang dikelola sendiri untuk melakukan operasi folder.

1. Instal atau update konektor Cloud Storage versi 2.2.23 atau yang lebih baru (tidak termasuk versi 3.0.0).

2. Tambahkan kode berikut ke file konfigurasi core-site.xml:

       <property>
         <name>fs.gs.hierarchical.namespace.folders.enable</name>
         <value>true</value>
       </property>
       <property>
         <name>fs.gs.http.read-timeout</name>
         <value>30000</value>
       </property>
     

   Dengan keterangan:

   • fs.gs.hierarchical.namespace.folders.enable digunakan untuk mengaktifkan namespace hierarkis di bucket

   • fs.gs.http.read-timeout adalah waktu maksimum yang diizinkan, dalam milidetik, untuk membaca data dari koneksi yang dibuat. Ini adalah setelan opsional.

     Catatan: Jika Anda menggunakan konektor Cloud Storage versi 3.0.0 atau versi yang lebih lama dari 2.2.23, setelan konfigurasi fs.gs.hierarchical.namespace.folders.enable tidak didukung dan akan menyebabkan error jika disertakan.

Kompatibilitas dengan konektor Cloud Storage versi 3.0.0 atau versi yang lebih lama dari 2.2.23

Menggunakan konektor Cloud Storage versi 3.0.0 atau versi yang lebih lama dari 2.2.23 atau menonaktifkan operasi folder untuk namespace hierarkis dapat menyebabkan batasan berikut:

• Penggantian nama folder yang tidak efisien: Operasi penggantian nama folder di Hadoop terjadi menggunakan operasi salin dan hapus tingkat objek, yang lebih lambat dan kurang efisien daripada operasi rename folder khusus.

• Akumulasi folder kosong: Resource folder tidak dihapus secara otomatis, sehingga menyebabkan akumulasi folder kosong di bucket Anda. Akumulasi folder kosong dapat menimbulkan dampak berikut:

  • Meningkatkan biaya penyimpanan jika tidak dihapus secara eksplisit.

  • Memperlambat operasi daftar dan meningkatkan risiko waktu tunggu operasi daftar.

    Catatan: Untuk mengurangi risiko waktu tunggu operasi daftar, konfigurasikan nilai waktu tunggu fs.gs.http.read-timeout menjadi 30000 milidetik. Untuk mengonfigurasi setelan waktu tunggu, lihat petunjuk untuk Dataproc atau Hadoop yang dikelola sendiri, bergantung pada mana yang Anda gunakan.

• Masalah kompatibilitas: Menggabungkan penggunaan versi konektor lama dan baru, atau mengaktifkan dan menonaktifkan operasi folder, dapat menyebabkan masalah kompatibilitas saat mengganti nama folder. Pertimbangkan skenario berikut yang menggunakan kombinasi versi konektor:

  1. Gunakan konektor Cloud Storage versi yang lebih lama dari 2.2.23 untuk melakukan tugas berikut:

     1. Tulis objek di folder foo/.
     2. Ganti nama folder foo/ menjadi bar/. Operasi penggantian nama menyalin dan menghapus objek di bagian foo/, tetapi tidak menghapus folder foo/ kosong.

  2. Gunakan konektor Cloud Storage versi 2.2.23 dengan setelan operasi folder yang diaktifkan untuk mengganti nama folder bar/ menjadi foo/.

  Konektor versi 2.2.23, dengan operasi folder diaktifkan, mendeteksi folder foo/ yang ada, sehingga menyebabkan operasi penggantian nama gagal. Versi konektor yang lebih lama tidak menghapus folder foo/ karena operasi folder dinonaktifkan.

Langkah selanjutnya

• Membuat bucket dengan namespace hierarkis diaktifkan.
• Membuat dan mengelola folder.

Coba sendiri

Jika Anda baru menggunakan Google Cloud, buat akun untuk mengevaluasi performa Cloud Storage dalam skenario dunia nyata. Pelanggan baru mendapatkan kredit gratis senilai $300 untuk menjalankan, menguji, dan men-deploy workload.

Coba Cloud Storage gratis