Conector do Cloud Storage

A biblioteca Java de código aberto do conector do Cloud Storage permite executar jobs do Apache Hadoop ou do Apache Spark diretamente nos dados no Cloud Storage.

O Lightning Engine melhora a conectividade com o Cloud Storage para otimizar o desempenho do mecanismo nativo. O conector do Cloud Storage aprimorado minimiza as operações de metadados para reduzir custos, enquanto um committer de saída de arquivo otimizado aumenta o desempenho e a confiabilidade das cargas de trabalho do Spark. Preencha o formulário de acesso antecipado para solicitar acesso antecipado a esse recurso em fase de pré-lançamento particular.

Benefícios do conector do Cloud Storage

  • Acesso direto aos dados: armazene seus dados no Cloud Storage e acesse-os diretamente. Não é necessário transferi-los para o HDFS primeiro.
  • Compatibilidade com HDFS: é possível acessar seus dados no Cloud Storage usando o prefixo gs:// em vez de hdfs://.
  • Interoperabilidade: o armazenamento de dados no Cloud Storage permite uma interoperabilidade perfeita entre o Spark, o Hadoop e os serviços do Google.
  • Acessibilidade de dados: ao encerrar um cluster do Hadoop, ao contrário do HDFS, você continua tendo acesso aos dados no Cloud Storage.
  • Alta disponibilidade de dados: os dados armazenados no Cloud Storage são altamente disponíveis e replicados globalmente sem perda de desempenho.
  • Sem sobrecarga de gerenciamento de armazenamento: ao contrário do HDFS, o Cloud Storage não requer manutenção de rotina, como verificar o sistema de arquivos ou fazer upgrade ou reversão para uma versão anterior do sistema de arquivos.
  • Inicialização rápida: no HDFS, um job do MapReduce não pode ser iniciado até que o NameNode saia do modo de segurança, um processo que pode levar de alguns segundos a muitos minutos, dependendo do tamanho e do estado dos dados. Com o Cloud Storage, inicie o job assim que os nós de tarefa começarem, o que gera uma economia significativa no longo prazo.

Configuração do conector em clusters do Serviço Gerenciado para Apache Spark

O conector do Cloud Storage é instalado por padrão em todos os nós de cluster do Serviço Gerenciado para Apache Spark no diretório /usr/local/share/google/managed-spark/lib/. As subseções a seguir descrevem as etapas para concluir a configuração do conector em clusters do Serviço Gerenciado para Apache Spark.

Conta de serviço da VM

Ao executar o conector em nós de cluster do Serviço Gerenciado para Apache Spark e outras VMs do Compute Engine, a propriedade google.cloud.auth.service.account.enable é definida como false por padrão, o que significa que não é necessário configurar as credenciais da conta de serviço da VM para o conector. As credenciais da conta de serviço da VM são fornecidas pelo servidor de metadados da VM.

A conta de serviço da VM do Serviço Gerenciado para Apache Spark precisa ter permissão para acessar o bucket do Cloud Storage.

Se você usar uma conta de serviço personalizada com um 2.2+ cluster de jobs do Spark: se você selecionar uma conta de serviço personalizada ao criar um cluster de versão de imagem 2.2+ do Serviço Gerenciado para Apache Spark para o qual você envia jobs do Spark e se os jobs do Spark lerem ou gravarem no Cloud Storage, para evitar problemas de permissão que podem causar falhas de job, adicione a seguinte configuração (mostrada em negrito) ao código de criação da sessão do Spark:

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()

Para verificar se as permissões estão definidas corretamente, confira se a conta de serviço personalizada tem as permissões storage.objects.get e storage.objects.create:

  1. Veja o acesso atual para listar os papéis concedidos à conta de serviço personalizada.
  2. Encontre um papel ou uma permissão para consultar as permissões associadas a um papel.

Versões do conector selecionadas pelo usuário

As versões padrão do conector do Cloud Storage usadas nas imagens mais recentes instaladas nos clusters do Serviço Gerenciado para Apache Spark estão listadas nas páginas de versão da imagem. Se o aplicativo depender de uma versão de conector não padrão implantada no cluster, execute uma das seguintes ações para usar a versão do conector selecionada:

  • Crie um cluster com a flag --metadata=GCS_CONNECTOR_VERSION=x.y.z, que atualiza o conector usado pelos aplicativos em execução no cluster para a versão especificada.
  • Inclua e realoque as classes e dependências do conector da versão que você está usando no jar do aplicativo. A realocação é necessária para evitar um conflito entre a versão do conector implantada e a versão padrão instalada no cluster do Serviço Gerenciado para Apache Spark. Consulte também o exemplo de realocação de dependências do Maven.

Configuração do conector em clusters que não são do Serviço Gerenciado para Apache Spark

Siga as etapas abaixo para configurar o conector do Cloud Storage em um cluster que não seja do Serviço Gerenciado para Apache Spark, como um cluster do Apache Hadoop ou Spark usado para mover dados do HDFS no local para o Cloud Storage.

  1. Fazer o download do conector

  2. Instalar o conector.

    Siga as instruções do GitHub para instalar, configurar e testar o conector do Cloud Storage.

Uso do conector

É possível usar o conector para acessar dados do Cloud Storage das seguintes maneiras:

Uso do Java

O conector do Cloud Storage requer o Java 8.

Veja a seguir um exemplo de seção de gerenciamento de dependências do POM do Maven para o conector do Cloud Storage. Para mais informações, consulte Gerenciamento de dependências.

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

Para uma versão sombreada:

<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>

Suporte para conectores

O conector do Cloud Storage é compatível com o Google Cloud para uso com produtos e casos de uso doGoogle Cloud . Quando usado com o Serviço Gerenciado para Apache Spark, ele é compatível com o mesmo nível do Serviço Gerenciado para Apache Spark. Para mais informações, consulte Receber suporte.

Conectar-se ao Cloud Storage usando gRPC

Por padrão, o conector do Cloud Storage no serviço gerenciado para Apache Spark usa a API JSON do Cloud Storage. Nesta seção, mostramos como ativar o conector do Cloud Storage para usar o gRPC.

Considerações de uso

O uso do conector do Cloud Storage com o gRPC inclui as seguintes considerações:

  • Local do bucket regional: o gRPC só pode melhorar as latências de leitura quando as VMs do Compute Engine e os buckets do Cloud Storage estão localizados na mesma região do Compute Engine.
  • Jobs com uso intensivo de leitura: o gRPC pode oferecer latências de leitura melhores para leituras de longa duração e ajudar em cargas de trabalho com uso intensivo de leitura. Não é recomendado para aplicativos que criam um canal gRPC, executam um cálculo curto e fecham o canal.
  • Solicitações não autenticadas: o gRPC não é compatível com solicitações não autenticadas.

Requisitos

Os seguintes requisitos se aplicam ao usar o gRPC com o conector do Cloud Storage:

Ativar o gRPC no conector do Cloud Storage

É possível ativar o gRPC no conector do Cloud Storage no nível do cluster ou do job. Depois de ativadas no cluster, as solicitações de leitura do conector do Cloud Storage usam o gRPC. Se ativadas em um job em vez de no nível do cluster, as solicitações de leitura do conector do Cloud Storage usarão o gRPC apenas para o job.

Ativar um cluster

Para ativar o gRPC no conector do Cloud Storage no nível do cluster, defina a propriedade core:fs.gs.client.type=STORAGE_CLIENT ao criar um cluster do Serviço Gerenciado para Apache Spark. Depois que o gRPC é ativado no nível do cluster, as solicitações de leitura do conector do Cloud Storage feitas por jobs em execução no cluster usam o gRPC.

Exemplo da CLI gcloud:

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

Substitua:

  • CLUSTER_NAME: especifique um nome para o cluster.
  • PROJECT_NAME: o ID do projeto em que o cluster está localizado. Os IDs do projeto estão listados na seção Informações do projeto no Painel do console do Google Cloud .
  • REGION: especifique uma região do Compute Engine em que o cluster será localizado.

Ativar um job

Para ativar o gRPC no conector do Cloud Storage para um job específico, inclua --properties=spark.hadoop.fs.gs.client.type=STORAGE_CLIENT ao enviar um job.

Exemplo: executar um job em um cluster que usa o gRPC para ler do Cloud Storage.

  1. Crie um script PySpark /tmp/line-count.py local que use gRPC para ler um arquivo de texto do Cloud Storage e gerar o número de linhas no arquivo.

    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. Crie um arquivo de texto /tmp/line-count-sample.txt local.

    cat <<EOF >"/tmp/line-count-sample.txt"
    Line 1
    Line 2
    line 3
    EOF
    
  3. Faça upload de /tmp/line-count.py e /tmp/line-count-sample.txt locais para seu bucket no Cloud Storage.

    gcloud storage cp /tmp/line-count* gs://BUCKET
    
  4. Execute o job line-count.py no cluster. Defina --properties=spark.hadoop.fs.gs.client.type=STORAGE_CLIENT como ativar o gRPC para solicitações de leitura do conector do Cloud Storage.

    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
    

    Substitua:

    • CLUSTER_NAME: o nome de um cluster.
    • PROJECT_NAME: o ID do projeto. Os IDs do projeto estão listados na seção Informações do projeto no Painel do console do Google Cloud .
    • REGION: a região do Compute Engine em que o cluster está localizado.
    • BUCKET: o bucket do Cloud Storage.

Gerar métricas do lado do cliente do gRPC

É possível configurar o conector do Cloud Storage para gerar métricas relacionadas ao gRPC no Cloud Monitoring. As métricas relacionadas ao gRPC podem ajudar você a fazer o seguinte:

  • Monitorar e otimizar o desempenho das solicitações gRPC para o Cloud Storage
  • Resolver problemas e depurar
  • Receba insights sobre o uso e o comportamento do aplicativo

Para informações sobre como configurar o conector do Cloud Storage para gerar métricas relacionadas ao gRPC, consulte Usar métricas do lado do cliente do gRPC.

Recursos