Cloud Storage è una parte fondamentale dell'archiviazione e dell'utilizzo dei big data su Google Cloud. Ad esempio, puoi utilizzare Cloud Storage per caricare dati in BigQuery, conservare file temporanei e dati temporanei per le pipeline Dataflow e integrarli con Dataproc in modo da poter eseguire job Apache Hadoop o Apache Spark direttamente sui dati in Cloud Storage.
In questa pagina viene descritto come utilizzare lo strumento a riga di comando gcloud per eseguire attività relative ai big data, ad esempio copiare file di grandi dimensioni o molti file in parallelo. Per un'introduzione a gcloud, consulta la guida rapida di gcloud.
Prima di iniziare
Per ottenere il massimo dagli esempi mostrati in questa pagina, devi completare le seguenti operazioni (se non l'hai ancora fatto):
- Installa gcloud CLI.
- Inizializza gcloud CLI.
Copia di molti file in un bucket in corso...
Il comando cp carica in modo efficiente un numero elevato di file eseguendo automaticamente copie parallele (multi-thread/multi-elaborazione) in base alle esigenze. Per
copiare in modo ricorsivo le sottodirectory, utilizza il flag --recursive nel comando.
Ad esempio, per copiare in un bucket file incluse le sottodirectory da una directory locale denominata top-level-dir, puoi utilizzare:
gcloud storage cp top-level-dir gs://example-bucket --recursive
Puoi utilizzare i caratteri jolly per trovare corrispondenze con un insieme specifico di nomi di un'operazione. Ad esempio, per copiare solo i file che iniziano con image:
gcloud storage cp top-level-dir/subdir/image* gs://example-bucket --recursive
Puoi rimuovere file utilizzando lo stesso carattere jolly:
gcloud storage rm gs://example-bucket/top-level-dir/subdir/image*
Oltre a copiare i file locali nel cloud e viceversa, puoi anche copiare i file nel cloud, ad esempio:
gcloud storage cp gs://example-bucket/top-level-dir/subdir/** gs://example-bucket/top-level-dir/subdir/subdir2
gcloud storage rileva automaticamente che stai spostando più file e li crea in una nuova directory denominata subdir2.
Sincronizzazione di una directory locale
Se vuoi sincronizzare una directory locale con un bucket o viceversa, puoi usare il comando gcloud storage rsync. Ad esempio, per fare in modo che gs://example-bucket corrisponda ai contenuti della directory locale local-dir puoi utilizzare:
gcloud storage rsync local-dir gs://example-bucket --recursive
Se utilizzi il flag --delete-unmatched-destination-objects, indica al comando di eliminare i file nella destinazione (gs://example-bucket nel comando in alto) che non sono presenti nell'origine (local-dir). Puoi anche eseguire la sincronizzazione tra due bucket.
Copia di file di grandi dimensioni in un bucket
In generale, quando si lavora con i big data, una volta che i dati sono nel cloud, dovrebbero rimanere lì. Una volta che i dati sono in Google Cloud, è molto veloce trasferirli ad altri servizi nella stessa località, ad esempio Compute Engine.
Per copiare un file locale di grandi dimensioni in un bucket, usa:
gcloud storage cp local-file gs://example-bucket
Per copiare un file di grandi dimensioni da un bucket esistente, usa:
gcloud storage cp gs://example-source-bucket/file gs://example-destination-bucket
gcloud storage sfrutta appieno le funzionalità di caricamento e download ripristinabili di Cloud Storage. Questo è particolarmente importante per i file di grandi dimensioni perché la probabilità di un errore di rete presso il tuo ISP aumenta con la dimensione dei dati trasferiti. Riprendendo un caricamento in base alla quantità di byte effettivamente ricevuti dal server, gcloud storage evita di inviare di nuovo inutilmente i byte e garantisce il completamento del caricamento. Per i download viene applicata la stessa logica in base alle dimensioni del file locale.
Configurazione di un bucket
Le tipiche attività di big data in cui vorrai configurare un bucket includono lo spostamento dei dati in un'altra classe di archiviazione, la configurazione del controllo delle versioni degli oggetti o l'impostazione di una regola del ciclo di vita.
Puoi elencare i dettagli di configurazione di un bucket con buckets describe:
gcloud storage buckets describe gs://example-bucket
Nell'output, osserva le informazioni di configurazione del bucket, la maggior parte dei quali è
configurabile anche tramite gcloud storage:
- CORS: controlla le impostazioni di condivisione delle risorse tra origini per un bucket.
- Sito web: consente agli oggetti nel bucket di agire come pagine web o di essere utilizzati come asset statici in un sito web.
- Controllo delle versioni: fa sì che le eliminazioni degli oggetti nel bucket creino versioni non correnti.
- Classe di archiviazione: consente di impostare la classe di archiviazione impostata durante la creazione del bucket.
- Ciclo di vita: consente l'esecuzione di operazioni periodiche sul bucket. La più comune è l'eliminazione degli oggetti inattivi.
Ad esempio, supponiamo che tu voglia conservare i file in un determinato bucket solo per un giorno, quindi puoi configurare la regola del ciclo di vita per il bucket con:
echo '{ "rule": [{ "action": {"type": "Delete"}, "condition": {"age": 1}}]}' > lifecycle_config.json
gcloud storage buckets update gs://example-bucket --lifecycle-file=lifecycle_config.json
Ora, tutti gli oggetti del bucket più vecchi di un giorno verranno automaticamente eliminati da questo bucket. Puoi verificare la configurazione appena impostata con il comando buckets describe (gli altri comandi di configurazione funzionano in modo simile):
gcloud storage buckets describe gs://example-bucket
Condivisione dei dati in un bucket
Quando lavori con i big data, probabilmente lavorerai sui file in modo collaborativo
e dovrai essere in grado di concedere l'accesso a persone o gruppi specifici.
I criteri di Identity and Access Management definiscono chi può accedere ai tuoi file e cosa è autorizzato a fare. Puoi visualizzare il criterio IAM di un bucket utilizzando il comando buckets get-iam-policy:
gcloud storage buckets get-iam-policy gs://example-bucket
La risposta al comando mostra le entità, ovvero gli account a cui viene concesso l'accesso al tuo bucket, e i ruoli, ovvero gruppi di autorizzazioni concesse alle entità.
Tre scenari comuni per la condivisione di dati sono la condivisione pubblica, la condivisione con un gruppo e la condivisione con una persona:
Condivisione pubblica: per un bucket i cui contenuti devono essere elencati e letti da chiunque su internet, puoi configurare il criterio IAM utilizzando la designazione "AllUsers":
bucket di archiviazione gcloud add-iam-policy-binding gs://example-bucket --member=allUsers --role=roles/storage.objectViewer
Condivisione con un gruppo: per i collaboratori che non hanno accesso alle altre risorse Google Cloud, consigliamo di creare un gruppo Google e di aggiungerlo al bucket. Ad esempio, per concedere l'accesso al gruppo Google
my-group, puoi configurare il seguente criterio IAM:bucket di archiviazione gcloud add-iam-policy-binding gs://example-bucket --member=group:my-group@googlegroups.com --role=roles/storage.objectViewer
Per ulteriori informazioni, consulta la sezione Utilizzo di un gruppo per controllare l'accesso agli oggetti.
Condivisione con una sola persona: per molti collaboratori, utilizza un gruppo per concedere l'accesso in blocco. A una persona, puoi concedere l'accesso in lettura come segue:
bucket di archiviazione gcloud add-iam-policy-binding gs://example-bucket --member=user:liz@gmail.com --role=roles/storage.objectViewer
Ripulire un bucket
Puoi pulire rapidamente un bucket con il seguente comando:
gcloud storage rm gs://example-bucket/ --recursive
Utilizzo dei checksum
Quando si eseguono delle copie, i comandi gcloud storage cp e gcloud storage rsync
convalidano il checksum del file di origine corrispondente al checksum
del file di destinazione. Nel raro caso in cui i checksum non corrispondano, gcloud storage elimina la copia non valida e stampa un messaggio di avviso. Per ulteriori informazioni, consulta la convalida del checksum della riga di comando.
Puoi anche utilizzare gcloud storage per ottenere il checksum di un file in un bucket o
calcolare il checksum di un oggetto locale. Ad esempio, supponi di
copiare un file di dati pubblici
di Cloud Life Sciences nel bucket di lavoro con:
gcloud storage cp gs://genomics-public-data/1000-genomes/vcf/ALL.chrMT.phase1_samtools_si.20101123.snps.low_coverage.genotypes.vcf gs://example-bucket
Ora puoi ottenere i checksum sia della versione del bucket pubblico del file che della tua versione del file nel bucket per assicurarti che corrispondano:
gcloud storage objects describe gs://example-bucket/ALL.chrMT.phase1_samtools_si.20101123.snps.low_coverage.genotypes.vcf
gcloud storage objects describe gs://genomics-public-data/1000-genomes/vcf/ALL.chrMT.phase1_samtools_si.20101123.snps.low_coverage.genotypes.vcf
Supponi ora che i dati si trovino in un file in un data center locale e li hai copiati in Cloud Storage. Puoi utilizzare gcloud storage hash
per ottenere il checksum del tuo file locale e poi confrontarlo con il checksum
del file che hai copiato in un bucket. Per ottenere il checksum di un file locale, utilizza:
gcloud storage hash local-file
Valori MD5
Per gli oggetti non composti, l'esecuzione di gcloud storage objects describe su un oggetto in un bucket restituisce un output come il seguente:
bucket: example-bucket contentType: text/plain crc32c: FTiauw== customTime: '1970-01-01T00:00:00+00:00' etag: CPjo7ILqxsQCEAE= generation: '1629833823159214' id: example-bucket/100MBfile.txt/1629833823159214 kind: storage#object md5Hash: daHmCObxxQdY9P7lp9jj0A== ...
L'esecuzione di gcloud storage hash su un file locale restituisce un output come il seguente:
--- crc32c_hash: IJfuvg== digest_format: base64 md5_hash: +bqpwgYMTRn0kWmp5HXRMw== url: file.txt
Entrambe le uscite hanno un valore CRC32c e MD5. Non è previsto alcun valore MD5 per gli oggetti compositi, come quelli creati da caricamenti compositi paralleli.