Bucket temporanei e di staging di Managed Service per Apache Spark

Quando crei un cluster, HDFS viene utilizzato come file system predefinito. Puoi sostituire questo comportamento impostando defaultFS come bucket Cloud Storage bucket. Per impostazione predefinita, Managed Service for Apache Spark crea anche un bucket gestione temporanea e di gestione temporanea Cloud Storage nel tuo progetto o riutilizza i bucket temporanei e di gestione temporanea creati da Managed Service for Apache Spark nelle richieste di creazione del cluster precedenti.

Se non specifichi un bucket gestione temporanea o di gestione temporanea quando crei un cluster, Managed Service for Apache Spark imposta una località Cloud Storage negli Stati Uniti, in Asia, o nell'UE per i bucket temporanei e di gestione temporanea del cluster in base alla zona Compute Engine in cui è stato eseguito il deployment del cluster, quindi crea e gestisce questi bucket a livello di progetto per località. I bucket temporanei e di gestione temporanea creati da Managed Service for Apache Spark vengono condivisi tra i cluster nella stessa regione e vengono creati con una durata di conservazione dell'eliminazione temporanea di Cloud Storage impostata su 0 secondi. Se specifichi i tuoi bucket temporanei e di gestione temporanea, valuta la possibilità di ottimizzare la conservazione dell'eliminazione temporanea per ridurre gli addebiti di spazio di archiviazione sostenuti dagli oggetti eliminati temporaneamente.

Il bucket temporaneo contiene dati effimeri e ha un TTL di 90 giorni. Il bucket di gestione temporanea, che può contenere dati di configurazione e file di dipendenza necessari per più cluster, non ha un TTL. Tuttavia, puoi applicare una regola del ciclo di vita a i file di dipendenza (file con estensione del nome file ".jar" che si trovano nella cartella del bucket di gestione temporanea) per pianificare la rimozione dei file di dipendenza quando non sono più necessari per i cluster.

Crea i tuoi bucket temporanei e di gestione temporanea

Anziché fare affidamento sulla creazione di un bucket gestione temporanea e di gestione temporanea predefinito, puoi specificare i bucket Cloud Storage esistenti che Managed Service for Apache Spark utilizzerà come bucket gestione temporanea e di gestione temporanea del cluster.

Google Cloud Console

Per specificare o selezionare il bucket di gestione temporanea del cluster:

  1. Apri la pagina Crea cluster.
  2. Fai clic su Configurazione aggiuntiva per espandere la sezione.
  3. Modifica Personalizzazione e altro.
  4. Nel riquadro che si apre, nella sezione Bucket di gestione temporanea Cloud Storage, specifica un bucket.

Nota: la specifica di un bucket temporaneo utilizzando la Google Cloud console non è supportata.

gcloud CLI

Esegui il comando gcloud dataproc clusters create con i flag --bucket e/o --temp-bucket in locale in una finestra del terminale o in Cloud Shell per specificare il bucket temporaneo e/o di gestione temporanea del cluster.

gcloud dataproc clusters create cluster-name \
    --region=region \
    --bucket=bucket-name \
    --temp-bucket=bucket-name \
    other args ...

API REST

Utilizza i campi ClusterConfig.configBucket e ClusterConfig.tempBucket in una richiesta clusters.create per specificare i bucket temporanei e di gestione temporanea del cluster.

Managed Service for Apache Spark utilizza una struttura di cartelle definita per i bucket Cloud Storage collegati ai cluster e supporta anche il collegamento di più cluster a un bucket. La struttura di cartelle utilizzata per salvare l'output del driver dei job in Cloud Storage è la seguente:

cloud-storage-bucket-name
  - google-cloud-dataproc-metainfo
    - list of cluster IDs
        - list of job IDs
          - list of output logs for a job

Puoi utilizzare lo strumento a riga di comando gcloud, l'API Dataproc o Google Cloud la console per elencare il nome dei bucket temporanei e di gestione temporanea di un cluster.

Google Cloud Console

  • Puoi visualizzare i dettagli del cluster, incluso il nome del bucket di gestione temporanea del cluster, nella pagina Cluster della Google Cloud console.
  • Nella pagina Google Cloud console Browser Cloud Storage della console, filtra i risultati che contengono "dataproc-temp-".

gcloud CLI

Esegui il gcloud dataproc clusters describe comando in locale in una finestra del terminale o in Cloud Shell. I bucket temporanei e di gestione temporanea associati al cluster sono elencati nell'output.

gcloud dataproc clusters describe cluster-name \
    --region=region \
...
clusterName: cluster-name
clusterUuid: daa40b3f-5ff5-4e89-9bf1-bcbfec ...
config:
    configBucket: dataproc-...
    ...
    tempBucket: dataproc-temp...

API REST

Chiama clusters.get per elencare i dettagli del cluster, inclusi i nomi dei bucket temporanei e di gestione temporanea del cluster.

{
 "projectId": "vigilant-sunup-163401",
 "clusterName": "cluster-name",
 "config": {
  "configBucket": "dataproc-...",
...
  "tempBucket": "dataproc-temp-...",
}

defaultFS

Puoi impostare core:fs.defaultFS su una località del bucket in Cloud Storage (gs://defaultFS-bucket-name) per impostare Cloud Storage come file system predefinito. Inoltre, imposta core:fs.gs.reported.permissions, l'autorizzazione segnalata restituita dal connettore Cloud Storage per tutti i file, su 777.

Se Cloud Storage non è impostato come file system predefinito, verrà utilizzato HDFS e la proprietà core:fs.gs.reported.permissions restituirà 700, il valore predefinito. 

gcloud dataproc clusters create cluster-name \
    --properties=core:fs.defaultFS=gs://defaultFS-bucket-name \
    --region=region \
    --bucket=staging-bucket-name \
    --temp-bucket=temp-bucket-name \
    other args ...