Cloud Storage-Connector

Mit dem Cloud Storage-Connector, einer Open-Source-Java-Bibliothek, können Sie Apache Hadoop- oder Apache Spark-Jobs direkt für Daten in Cloud Storage ausführen.

Lightning Engine verbessert die Verbindung zu Cloud Storage, um die Leistung der nativen Engine zu optimieren. Der verbesserte Cloud Storage-Connector minimiert Metadatenvorgänge, um die Kosten zu senken. Ein optimierter File Output Committer sorgt für mehr Leistung und Zuverlässigkeit bei Spark-Arbeitslasten. Füllen Sie das Antragsformular für den Vorabzugriff aus, um Vorabzugriff auf diese private Vorschaufunktion anzufordern.

Vorteile des Cloud Storage-Connectors

  • Direkter Datenzugriff:Speichern Sie Ihre Daten in Cloud Storage und greifen Sie direkt darauf zu. Sie müssen sie nicht zuerst in HDFS übertragen.
  • HDFS-Kompatibilität:Mit dem Präfix gs:// anstelle von hdfs:// können Sie ganz einfach auf Ihre Daten in Cloud Storage zugreifen.
  • Interoperabilität:Das Speichern von Daten in Cloud Storage ermöglicht eine nahtlose Interoperabilität zwischen Spark-, Hadoop- und Google-Diensten.
  • Datenzugriff:Wenn Sie einen Hadoop-Cluster herunterfahren, haben Sie im Gegensatz zu HDFS in Cloud Storage weiterhin Zugriff auf Ihre Daten.
  • Hohe Datenverfügbarkeit:In Cloud Storage gespeicherte Daten sind hochverfügbar und werden ohne Leistungsverlust global repliziert.
  • Kein Speicherverwaltungs-Aufwand:Im Gegensatz zu HDFS erfordert Cloud Storage keine routinemäßigen Verwaltungsmaßnahmen wie das Prüfen des Dateisystems, Aktualisieren oder Zurücksetzen auf eine frühere Version des Dateisystems usw.
  • Schnellstart:In HDFS kann ein MapReduce-Job erst gestartet werden, wenn sich der NameNode außerhalb des abgesicherten Modus befindet. Der Vorgang kann je nach Größe und Status der Daten einige Sekunden bis zu mehreren Minuten in Anspruch nehmen. In Cloud Storage können Sie Jobs zusammen mit den Aufgabenknoten starten. Hierdurch erzielen Sie im Laufe der Zeit erhebliche Kosteneinsparungen.

Connector-Einrichtung in Managed Service for Apache Spark-Clustern

Der Cloud Storage-Connector wird standardmäßig auf allen Managed Service for Apache Spark-Clusterknoten im Verzeichnis /usr/local/share/google/dataproc/lib/ installiert. In den folgenden Unterabschnitten werden die Schritte beschrieben, die Sie ausführen können, um die Einrichtung von Connectors in Managed Service for Apache Spark-Clustern abzuschließen.

VM-Dienstkonto

Wenn Sie den Connector auf Knoten von Managed Service for Apache Spark-Clustern und anderen Compute Engine-VMs ausführen, wird die Eigenschaft google.cloud.auth.service.account.enable standardmäßig auf false gesetzt. Das bedeutet, dass Sie die Anmeldedaten des VM-Dienstkontos für den Connector nicht konfigurieren müssen. Die Anmeldedaten des VM-Dienstkontos werden vom VM-Metadatenserver bereitgestellt.

Das VM-Dienstkonto für Managed Service for Apache Spark muss die Berechtigung für den Zugriff auf Ihren Cloud Storage-Bucket haben.

Wenn Sie ein benutzerdefiniertes Dienstkonto mit einem 2.2+-Spark-Jobcluster verwenden: Wenn Sie beim Erstellen eines Managed Service for Apache Spark-Clusters mit einer 2.2+-Image-Version, an den Sie Spark-Jobs senden, ein benutzerdefiniertes Dienstkonto auswählen und Ihre Spark-Jobs Daten aus Cloud Storage lesen oder in Cloud Storage schreiben, fügen Sie den folgenden Code (fett dargestellt) in den Code zum Erstellen Ihrer Spark-Sitzung ein, um Berechtigungsprobleme zu vermeiden, die zu Jobfehlern führen können:

spark = SparkSession.builder \
.appName(appName) \
.config("fs.gs.auth.type", "SERVICE_ACCOUNT_JSON_KEYFILE") \
.config("fs.gs.auth.service.account.json.keyfile", "path/to/your/keyfile.json") \
.getOrCreate()

So prüfen Sie, ob die Berechtigungen richtig festgelegt sind: Das benutzerdefinierte Dienstkonto muss die Berechtigungen storage.objects.get und storage.objects.create haben:

  1. Klicken Sie auf Aktuellen Zugriff ansehen, um die Rollen aufzulisten, die dem benutzerdefinierten Dienstkonto gewährt wurden.
  2. Rolle oder Berechtigung suchen, um die mit einer Rolle verknüpften Berechtigungen zu ermitteln.

Vom Nutzer ausgewählte Connector-Versionen

Die standardmäßigen Cloud Storage-Connector-Versionen, die in den neuesten Images verwendet werden, die auf Managed Service for Apache Spark-Clustern installiert sind, sind auf den Image-Versionsseiten aufgeführt. Wenn Ihre Anwendung von einer nicht standardmäßigen Connector-Version abhängt, die auf Ihrem Cluster bereitgestellt ist, können Sie eine der folgenden Aktionen ausführen, um die ausgewählte Connector-Version zu verwenden:

  • Erstellen Sie einen Cluster mit dem Flag --metadata=GCS_CONNECTOR_VERSION=x.y.z. Dadurch wird der von Anwendungen, die im Cluster ausgeführt werden, verwendete Connector auf die angegebene Connector-Version aktualisiert.
  • Fügen Sie die Connector-Klassen und Connector-Abhängigkeiten für die von Ihnen verwendete Version in das JAR Ihrer Anwendung ein und verschieben Sie sie. Die Verlagerung ist erforderlich, um einen Konflikt zwischen der bereitgestellten Connector-Version und der auf dem Managed Service for Apache Spark-Cluster installierten Standard-Connector-Version zu vermeiden. Weitere Informationen finden Sie auch im Beispiel für die Neuplatzierung von Maven-Abhängigkeiten.

Connector-Einrichtung in Clustern, die nicht Managed Service for Apache Spark verwenden

Sie können den Cloud Storage-Connector in einem Cluster einrichten, der kein Managed Service für Apache Spark-Cluster ist, z. B. in einem Apache Hadoop- oder Spark-Cluster, den Sie zum Verschieben lokaler HDFS-Daten nach Cloud Storage verwenden.

  1. Connector herunterladen

  2. Connector installieren

    Folgen Sie der GitHub-Anleitung, um den Cloud Storage-Connector zu installieren, zu konfigurieren und zu testen.

Connector-Nutzung

Sie können mit dem Connector auf folgende Arten auf Cloud Storage-Daten zugreifen:

Java-Nutzung

Der Cloud Storage-Connector erfordert Java 8.

Im Folgenden finden Sie ein Beispiel für einen Maven-POM-Abschnitt zur Verwaltung von Abhängigkeiten für den Cloud Storage-Connector. Weitere Informationen finden Sie unter Abhängigkeitsverwaltung.

<dependency>
    <groupId>com.google.cloud.bigdataoss</groupId>
    <artifactId>gcs-connector</artifactId>
    <version>hadoopX-X.X.XCONNECTOR VERSION</version>
    <scope>provided</scope>
</dependency>

Für eine schattierte Version: 

<dependency>
    <groupId>com.google.cloud.bigdataoss</groupId>
    <artifactId>gcs-connector</artifactId>
    <version>hadoopX-X.X.XCONNECTOR VERSION</version>
    <scope>provided</scope>
    <classifier>shaded</classifier>
</dependency>

Connector-Unterstützung

Der Cloud Storage-Connector wird von Google Cloud für die Verwendung mitGoogle Cloud -Produkten und Anwendungsfällen unterstützt. Bei Verwendung mit Managed Service for Apache Spark wird es auf demselben Niveau wie Managed Service for Apache Spark unterstützt. Weitere Informationen

Mit Cloud Storage mithilfe von gRPC verbinden

Standardmäßig verwendet der Cloud Storage-Connector in Managed Service for Apache Spark die Cloud Storage JSON API. In diesem Abschnitt wird beschrieben, wie Sie den Cloud Storage-Connector für die Verwendung von gRPC aktivieren.

Nutzungshinweise

Bei der Verwendung des Cloud Storage-Connectors mit gRPC sind die folgenden Aspekte zu berücksichtigen:

  • Regionaler Bucket-Standort:gRPC kann die Leselatenz nur verbessern, wenn sich Compute Engine-VMs und Cloud Storage-Buckets in derselben Compute Engine-Region befinden.
  • Jobs mit vielen Lesevorgängen:gRPC kann die Leselatenz bei lang andauernden Lesevorgängen verbessern und Arbeitslasten mit vielen Lesevorgängen unterstützen. Es wird nicht für Anwendungen empfohlen, die einen gRPC-Kanal erstellen, eine kurze Berechnung ausführen und den Kanal dann schließen.
  • Nicht authentifizierte Anfragen:gRPC unterstützt keine nicht authentifizierten Anfragen.

Voraussetzungen

Für die Verwendung von gRPC mit dem Cloud Storage-Connector gelten die folgenden Anforderungen:

  • Das VPC-Netzwerk Ihres Managed Service for Apache Spark-Clusters muss direkte Verbindungen unterstützen. Das bedeutet, dass die Routen und Firewallregeln des Netzwerks ausgehenden Traffic zu 34.126.0.0/18 und 2001:4860:8040::/42 zulassen müssen.

  • Wenn Sie einen Managed Service for Apache Spark-Cluster erstellen, müssen Sie den Cloud Storage-Connector in Version 2.2.23 oder höher mit der Image-Version 2.1.56+ oder den Cloud Storage-Connector in Version v3.0.0 oder höher mit der Image-Version 2.2.0+ verwenden. Die Version des Cloud Storage-Connectors, die in jeder Managed Service for Apache Spark-Image-Version installiert ist, finden Sie auf den Seiten zur Managed Service for Apache Spark-Image-Version.

  • Sie oder der Administrator Ihrer Organisation müssen Identity and Access Management-Rollen zuweisen, die die Berechtigungen enthalten, die zum Einrichten und Senden von gRPC-Anfragen an den Cloud Storage-Connector erforderlich sind. Diese Rollen können Folgendes umfassen:

    • Nutzerrolle: Die Rolle Dataproc-Bearbeiter wird Nutzern zugewiesen, damit sie Cluster erstellen und Jobs senden können.
    • Dienstkontorolle: Die Rolle Storage-Objekt-Nutzer wird dem VM-Dienstkonto des Managed Service for Apache Spark gewährt, damit Anwendungen, die auf Cluster-VMs ausgeführt werden, Cloud Storage-Objekte ansehen, lesen, erstellen und schreiben können.

gRPC für den Cloud Storage-Connector aktivieren

Sie können gRPC für den Cloud Storage-Connector auf Cluster- oder Jobebene aktivieren. Nach der Aktivierung im Cluster verwenden Leseanfragen des Cloud Storage-Connectors gRPC. Wenn der Cloud Storage-Connector für einen Job anstelle der Clusterebene aktiviert ist, werden für Leseanfragen des Cloud Storage-Connectors nur für den Job gRPC verwendet.

Cluster aktivieren

Wenn Sie gRPC für den Cloud Storage-Connector auf Clusterebene aktivieren möchten, legen Sie die Eigenschaft core:fs.gs.client.type=STORAGE_CLIENT fest, wenn Sie einen Managed Service for Apache Spark-Cluster erstellen. Sobald gRPC auf Clusterebene aktiviert ist, verwenden Leseanfragen des Cloud Storage-Connectors, die von Jobs im Cluster gestellt werden, gRPC.

Beispiel für die gcloud CLI:

gcloud dataproc clusters create CLUSTER_NAME \
    --project=PROJECT_ID \
    --region=REGION \
    --properties=core:fs.gs.client.type=STORAGE_CLIENT

Dabei gilt:

  • CLUSTER_NAME: Geben Sie einen Namen für Ihren Cluster an.
  • PROJECT_NAME: Die Projekt-ID des Projekts, in dem sich der Cluster befindet. Projekt-IDs werden im Bereich Projektinformationen im Dashboard der Google Cloud Console aufgeführt.
  • REGION: Geben Sie eine Compute Engine-Region an, in der sich der Cluster befinden soll.

Job aktivieren

Wenn Sie gRPC für den Cloud Storage-Connector für einen bestimmten Job aktivieren möchten, fügen Sie --properties=spark.hadoop.fs.gs.client.type=STORAGE_CLIENT ein, wenn Sie einen Job senden.

Beispiel: Einen Job in einem vorhandenen Cluster ausführen, der gRPC verwendet, um Daten aus Cloud Storage zu lesen.

  1. Erstellen Sie ein lokales /tmp/line-count.py-PySpark-Skript, das gRPC verwendet, um eine Cloud Storage-Textdatei zu lesen und die Anzahl der Zeilen in der Datei auszugeben.

    cat <<EOF >"/tmp/line-count.py"
#!/usr/bin/python
import sys
from pyspark.sql import SparkSession
path = sys.argv[1]
spark = SparkSession.builder.getOrCreate()
rdd = spark.read.text(path)
lines_counter = rdd.count()
print("There are {} lines in file: {}".format(lines_counter,path))
EOF

  2. Erstellen Sie eine lokale Textdatei mit dem Namen /tmp/line-count-sample.txt.

    cat <<EOF >"/tmp/line-count-sample.txt"
Line 1
Line 2
line 3
EOF

  3. Laden Sie die lokalen Dateien /tmp/line-count.py und /tmp/line-count-sample.txt in Ihren Bucket in Cloud Storage hoch.

    gcloud storage cp /tmp/line-count* gs://BUCKET

  4. Führen Sie den line-count.py-Job in Ihrem Cluster aus. Legen Sie --properties=spark.hadoop.fs.gs.client.type=STORAGE_CLIENT fest, um gRPC für Leseanfragen des Cloud Storage-Connectors zu aktivieren.

    gcloud dataproc jobs submit pyspark gs://BUCKET/line-count.py \
--cluster=CLUSTER_NAME \
--project=PROJECT_ID  \
--region=REGION \
--properties=spark.hadoop.fs.gs.client.type=STORAGE_CLIENT \
-- gs://BUCKET/line-count-sample.txt

    Dabei gilt:

    • CLUSTER_NAME: Der Name eines vorhandenen Clusters.
    • PROJECT_NAME: Ihre Projekt-ID. Projekt-IDs werden im Bereich Projektinformationen im Google Cloud Console-Dashboard aufgeführt.
    • REGION: Die Compute Engine-Region, in der sich der Cluster befindet.
    • BUCKET: Ihr Cloud Storage-Bucket.

Clientseitige gRPC-Messwerte generieren

Sie können den Cloud Storage-Connector so konfigurieren, dass gRPC-bezogene Messwerte in Cloud Monitoring generiert werden. Die gRPC-bezogenen Messwerte können Ihnen bei Folgendem helfen:

  • Leistung von gRPC-Anfragen an Cloud Storage überwachen und optimieren
  • Probleme beheben und Fehler beheben
  • Einblicke in die Nutzung und das Verhalten von Anwendungen erhalten

Informationen zum Konfigurieren des Cloud Storage-Connectors zum Generieren von gRPC-bezogenen Messwerten finden Sie unter Clientseitige gRPC-Messwerte verwenden.

Ressourcen