Utilizzare la derivazione dei dati con Managed Service per Apache Spark

Questo documento descrive come attivare la tracciabilità dei dati nei workload batch e nelle sessioni interattive di Managed Service for Apache Spark a livello di progetto, workload batch o sessione interattiva.

Panoramica

La derivazione dei dati è una funzionalità di Knowledge Catalog che consente di monitorare il modo in cui i dati vengono trasferiti nei sistemi: da dove provengono, dove vengono inviati e a quali trasformazioni sono sottoposti.

I workload e le sessioni di Managed Service for Apache Spark acquisiscono gli eventi di derivazione e li pubblicano nell'API Data Lineage di Knowledge Catalog. Managed Service for Apache Spark si integra con l'API Data Lineage tramite OpenLineage, utilizzando il plug-in OpenLineage Spark.

Puoi accedere alle informazioni sulla derivazione tramite Knowledge Catalog, utilizzando i grafici di derivazione e l'API Data Lineage. Per saperne di più, consulta Visualizzare i grafici di derivazione in Knowledge Catalog.

Disponibilità

La derivazione dei dati, che supporta le origini dati BigQuery e Cloud Storage, è disponibile per i workload e le sessioni eseguiti con le versioni del runtime Managed Service for Apache Spark supportate con le seguenti eccezioni e limitazioni:

  • La derivazione dei dati non è disponibile per i carichi di lavoro o le sessioni SparkR o Spark Streaming.

Prima di iniziare

  1. Nella pagina di selezione del progetto nella console Google Cloud , seleziona il progetto da utilizzare per i workload o le sessioni di Managed Service for Apache Spark.

    Vai al selettore di progetti

  2. Abilita l'API Data Lineage.

    Abilita le API

    Modifiche imminenti alla derivazione dei dati Spark Consulta le note di rilascio di Managed Service for Apache Spark per l'annuncio di una modifica che renderà automaticamente la derivazione dei dati Spark disponibile per i tuoi progetti, i workload batch e le sessioni interattive quando abiliti l'API Data Lineage (vedi Controllare l'importazione della derivazione per un servizio) senza richiedere impostazioni aggiuntive per progetti, workload batch o sessioni interattive.

Ruoli obbligatori

Se il tuo carico di lavoro batch utilizza il service account Managed Service for Apache Spark predefinito, dispone del ruolo Managed Service for Apache Spark Worker, che contiene le autorizzazioni richieste dalla lineage dei dati.

Tuttavia, se il tuo workload batch utilizza un account di servizio personalizzato per attivare la tracciabilità dei dati, devi concedere uno dei ruoli elencati nel paragrafo seguente, che contengono le autorizzazioni richieste dalla tracciabilità dei dati, account di serviziount personalizzato.

Per ottenere le autorizzazioni necessarie per utilizzare la lineage dei dati con Managed Service for Apache Spark, chiedi all'amministratore di concederti i seguenti ruoli IAM nel account di servizio personalizzato del carico di lavoro batch:

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Potresti anche riuscire a ottenere le autorizzazioni richieste tramite i ruoli personalizzati o altri ruoli predefiniti.

Abilita la tracciabilità dei dati Spark

Puoi attivare la tracciabilità dei dati Spark per il tuo progetto, il carico di lavoro batch o la sessione interattiva.

Abilitare la derivazione dei dati a livello di progetto

Dopo aver attivato la derivazione dei dati Spark a livello di progetto, i successivi job Spark eseguiti in un carico di lavoro batch o in una sessione interattiva avranno la derivazione dei dati Spark attivata.

Per attivare la tracciabilità dei dati Spark nel tuo progetto, imposta i seguenti metadati di progetto personalizzati:

Chiave Valore
DATAPROC_LINEAGE_ENABLED true

Puoi disabilitare la tracciabilità dei dati Spark per un progetto impostando i metadati DATAPROC_LINEAGE_ENABLED su false.

Abilita la derivazione dei dati su un workload batch Spark

Per attivare la derivazione dei dati su un workload batch, imposta la proprietà spark.dataproc.lineage.enabled su true quando invii il workload. Questa impostazione sostituisce qualsiasi impostazione della lineage dei dati Spark a livello di progetto: se la lineage dei dati Spark è disattivata a livello di progetto, ma attivata per il workload batch, l'impostazione del workload batch ha la precedenza.

Puoi disabilitare la tracciabilità dei dati Spark in un carico di lavoro batch Spark impostando la proprietà spark.dataproc.lineage.enabled su false quando invii il carico di lavoro.

Questo esempio utilizza gcloud CLI per inviare un batch lineage-example.py workload con la tracciabilità Spark abilitata.

gcloud dataproc batches submit pyspark lineage-example.py \
    --region=REGION \
    --deps-bucket=gs://BUCKET \
    --properties=spark.dataproc.lineage.enabled=true

Il seguente codice lineage-example.py legge i dati da una tabella BigQuery pubblica e poi scrive l'output in una nuova tabella in un set di dati BigQuery esistente. Utilizza un bucket Cloud Storage per l'archiviazione temporanea.

#!/usr/bin/env python

from pyspark.sql import SparkSession
import sys

spark = SparkSession \
  .builder \
  .appName('LINEAGE_BQ_TO_BQ') \
  .getOrCreate()

source = 'bigquery-public-data:samples.shakespeare'
words = spark.read.format('bigquery') \
  .option('table', source) \
  .load()
words.createOrReplaceTempView('words')

word_count = spark.sql('SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word')

destination_table = 'PROJECT_ID:DATASET.TABLE'
word_count.write.format('bigquery') \
  .option('table', destination_table) \
  .option('writeMethod', 'direct') \
  .save()

Sostituisci quanto segue:

  • REGION: la regione in cui eseguire il workload
  • BUCKET: il nome di un bucket Cloud Storage esistente in cui archiviare le dipendenze
  • PROJECT_ID, DATASET e TABLE: l'ID progetto, il nome di un set di dati BigQuery esistente e il nome di una nuova tabella da creare nel set di dati (la tabella non deve esistere)

Puoi visualizzare il grafico della derivazione nella UI di Knowledge Catalog.

Grafico di derivazione Spark

Abilita la derivazione dei dati in una sessione interattiva Spark o in un modello di sessione

Per attivare la derivazione dei dati in una sessione interattiva Spark o in un modello di sessione, imposta la proprietà spark.dataproc.lineage.enabled su true quando crei la sessione o il modello di sessione. Questa impostazione sostituisce qualsiasi impostazione della derivazione dei dati Spark a livello di progetto: se la derivazione dei dati Spark è disattivata a livello di progetto, ma attivata per la sessione interattiva, l'impostazione della sessione interattiva ha la precedenza.

Puoi disattivare la derivazione dei dati Spark in una sessione interattiva o in un modello di sessione Spark impostando la proprietà spark.dataproc.lineage.enabled su false quando crei la sessione interattiva o il modello di sessione.

Il seguente codice del notebook PySpark configura una sessione interattiva di Managed Service for Apache Spark con la tracciabilità dei dati Spark abilitata. Poi crea una sessione Spark Connect che esegue una query di conteggio parole su un set di dati pubblico di BigQuery Shakespeare e scrive l'output in una nuova tabella in un set di dati BigQuery esistente (vedi Creare una sessione Spark in un blocco note BigQuery Studio) .

# Configure the Dataproc Serverless interactive session
# to enable Spark data lineage.
from google.cloud.dataproc_v1 import Session

session = Session()
session.runtime_config.properties["spark.dataproc.lineage.enabled"] = "true"

# Create the Spark Connect session.
from google.cloud.dataproc_spark_connect import DataprocSparkSession

spark = DataprocSparkSession.builder.dataprocSessionConfig(session).getOrCreate()

# Run a wordcount query on the public BigQuery Shakespeare dataset.
source = "bigquery-public-data:samples.shakespeare"
words = spark.read.format("bigquery").option("table", source).load()
words.createOrReplaceTempView('words')
word_count = spark.sql(
           'SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word')

# Output the results to a BigQuery destination table.
destination_table = 'PROJECT_ID:DATASET.TABLE'
word_count.write.format('bigquery') \
  .option('table', destination_table) \
  .save()

Sostituisci quanto segue:

  • PROJECT_ID, DATASET e TABLE: l'ID progetto, il nome di un set di dati BigQuery esistente e il nome di una nuova tabella da creare nel set di dati (la tabella non deve esistere)

Puoi visualizzare il grafico della derivazione dei dati facendo clic sul nome della tabella di destinazione elencato nel riquadro di navigazione della pagina Explorer di BigQuery, quindi selezionando la scheda Derivazione nel riquadro dei dettagli della tabella.

Grafico di derivazione Spark

Visualizza la tracciabilità in Knowledge Catalog

Un grafico di derivazione mostra le relazioni tra le risorse del progetto e i processi che le hanno create. Puoi visualizzare le informazioni sulla derivazione dei dati nella console Google Cloud o recuperare le informazioni dall'API Data Lineage come dati JSON.

Passaggi successivi