O Dataplex dá suporte à programação da execução de código personalizado, seja como um uma única execução, em programação regular ou sob demanda. O recurso "Sob demanda" está em Pré-lançamento e está disponível somente pelo API. É possível programar transformações de dados do cliente usando o Spark (Java), PySpark (limitado à versão 3.2 do Spark) ou Spark SQL. Dataplex executa o código usando o processamento Spark sem servidor e uma solução integrada scheduler.
Terminologia
- Tarefa
- Uma tarefa do Dataplex representa o trabalho que você quer o Dataplex para fazer dentro de uma programação. Ele encapsula o código, a parâmetros e cronograma.
- Job
Um job representa uma única execução de uma tarefa do Dataplex. Para Por exemplo, se uma tarefa for programada para ser executada diariamente, o Dataplex criar um trabalho todos os dias.
Para jobs criados a partir de 10 de maio de 2023, o campo Gatilho mostra: tipo de gatilho de execução do job.
Veja a seguir os tipos de gatilhos de execução de jobs:
RUN_REQUEST: indica que o job foi executado devido à chamada do API
RunTask.TASK_CONFIG: indica que o job foi executado devido à configuração
TriggerSpecda tarefa.
Modos de programação
O Dataplex é compatível com os seguintes modos de programação:
- Executar uma vez
- Use este modo para executar a tarefa apenas uma vez. Você pode optar por executá-lo imediatamente ou em um horário definido no futuro. Se você executar a tarefa imediatamente, pode levar até dois minutos para a execução começar.
- Executar em uma programação
- Use este modo para executar a tarefa em uma frequência repetida. As repetições aceitas são diárias, semanais, mensais ou personalizadas.
- Executar sob demanda
Use este modo para executar uma tarefa criada anteriormente sob demanda. A execução sob demanda tem suporte apenas do API
RunTask. Quando o job é executado sob demanda, o Dataplex usa os parâmetros atuais para criar uma vaga. É possível especificar a classeExecutionSpece os rótulos para executar o job.
Antes de começar
Ativar a API Dataproc.
Ativar o Acesso privado do Google para sua rede e sub-rede. Ative o Acesso privado do Google na rede que você usa com as tarefas do Dataplex. Se você não especificar uma rede ou uma sub-rede ao criar a tarefa do Dataplex, O Dataplex usa a sub-rede padrão, e você precisa ativar Acesso privado do Google para a sub-rede padrão.
Crie uma conta de serviço. É necessária uma conta de serviço para programar tarefas do Dataplex. A conta de serviço precisa pertencer ao projeto em que você executa as tarefas. A conta de serviço precisa ter as seguintes permissões:
o acesso aos dados do BigQuery e do Cloud Storage que está sendo processado.
Papel de worker do Dataproc no projeto em que você executa a tarefa.
Se a tarefa precisar ler ou atualizar o Dataproc, instância de metastore anexada ao lake, a conta de serviço precisa do Leitor do metastore do Dataproc ou editor. Esse papel precisa ser concedido no projeto em que o Dataplex um data lakehouse.
Se a tarefa for um job do Spark SQL, é necessário conceder à conta de serviço o Papel de desenvolvedor do Dataplex. Esse papel precisa ser concedido no projeto em que o lake do Dataplex está configurado.
Se for um job do Spark SQL, você precisará ter um administrador do Cloud Storage no bucket em que os resultados são gravados.
Para programar e executar o Spark SQL e tarefas personalizadas do Spark, você precisa ter o Leitor de metadados do Dataplex (
roles/dataplex.metadataReader), Leitor do Dataplex (roles/dataplex.viewer), e usuário de metadados do Dataproc Metastore (roles/metastore.metadataUser) papéis do IAM na conta de serviço.
Conceda ao usuário que envia o job o papel de usuário da conta de serviço (
roles/iam.serviceAccountUser) na conta de serviço. Veja mais instruções em Gerenciar o acesso às contas de serviço.Conceda permissões à conta de serviço do lake do Dataplex para usar o conta de serviço. É possível encontrar o serviço de lake do Dataplex Conta na página Detalhes do lago do console do Google Cloud.
Se o projeto que contém o lake do Dataplex for diferente do projeto em que a tarefa será executada, conceda o A conta de serviço do Dataplex Lake Papel de editor do Dataproc no projeto em que você executa a tarefa.
colocar os artefatos de código necessários (arquivos de script JARs, Python ou SQL); ou arquivos arquivados (
.jar,.tar,.tar.gz,.tgz,.zip) em uma Caminho do Cloud Storage.Verifique se a conta de serviço tem o
storage.objects.getnecessário permissão ao bucket do Cloud Storage que está armazenando o código artefatos.
Programar uma tarefa do Spark (Java ou Python)
Console
No console do Google Cloud, acesse a página do Dataplex:
Navegue até a visualização Processo.
Clique em Create Task.
Em Criar tarefa personalizada do Spark, clique em Criar tarefa.
Escolher um lake do Dataplex.
Informe o nome da tarefa.
Crie um ID para a tarefa.
Na seção Task configuration, em Type, selecione Spark ou PySpark:
Insira os argumentos relevantes.
No campo Conta de serviço, insira a conta de serviço do usuário A tarefa do Spark pode ser executada com ela.
Clique em Continuar.
Opcional: Definir programação: selecione Executar uma vez ou Repetir. Preencha os campos obrigatórios.
Clique em Continuar.
Opcional: Personalizar recursos e Adicionar outras configurações.
Clique em Criar.
gcloud
É possível programar uma tarefa do Spark (Java / Python) usando a CLI gcloud kubectl. A tabela a seguir lista os parâmetros obrigatórios e opcionais para usar:
| Parâmetro | Descrição |
|---|---|
--lake |
O ID do lake para o recurso de lake do serviço do Dataplex. |
--location |
O local do serviço Dataplex. |
--spark-main-class |
A classe principal do motorista. O arquivo jar que
contiver a classe precisa estar no CLASSPATH padrão.
|
--spark-main-jar-file-uri |
O URI do Cloud Storage do arquivo jar que contém
a classe principal.
|
--spark-archive-uris |
Opcional: URIs do Cloud Storage de arquivos a serem extraídos
no diretório de trabalho de cada executor. Tipos de arquivos compatíveis:
.jar, .tar e .tar.gz.
.tgz e .zip.
|
--spark-file-uris |
Opcional: URIs do Cloud Storage de arquivos a serem colocados no diretório de trabalho de cada executor. |
--batch-executors-count |
Opcional: o número total de executores de job. O valor padrão é 2. |
--batch-max-executors-count |
Opcional: o número máximo de executores configuráveis. O padrão
é 1.000. Se batch-max-executors-count for maior que
batch-executors-count, o Dataplex vai habilitar
escalonamento automático.
|
--container-image-java-jars |
Opcional: uma lista de Java JARS para adicionar ao classpath. Entrada válida
inclui URIs do Cloud Storage para binários Jar. Por exemplo, gs://bucket-name/my/path/to/file.jar.
|
--container-image-properties |
Opcional: chaves de propriedade, especificadas em um prefix:property
.Por exemplo, core:hadoop.tmp.dir.Para mais informações, consulte Propriedades do cluster. |
--vpc-network-tags |
Opcional: uma lista de tags de rede para aplicar à tarefa. |
--vpc-network-name |
Opcional: a rede de nuvem privada virtual em que o job é executado. De
padrão, o Dataplex usa a rede VPC
chamada Default no projeto. Você deve usar apenas um --vpc-network-name ou --vpc-sub-network-name.
|
--vpc-sub-network-name |
Opcional: a sub-rede VPC em que o job é executado.
Você precisa usar somente --vpc-sub-network-name.
ou --vpc-network-name.
|
--trigger-type |
Tipo de acionador da tarefa especificada pelo usuário. Os valores precisam ser um dos seguintes:ON_DEMAND: a tarefa é executada uma vez logo após a tarefa
criação.RECURRING: a tarefa é executada periodicamente de acordo com uma programação.
|
--trigger-start-time |
Opcional: o horário da primeira execução da tarefa. O formato
é "{year}-{month}-{day}T{hour}:{min}:{sec}Z", em que o fuso horário é
UTC. Por exemplo, "2017-01-15T01:30:00Z" codifica 01:30 UTC no
15 de janeiro de 2017. Se esse valor não for especificado, a tarefa será executada
após o envio, se o tipo de acionador for ON_DEMAND.
na programação especificada se o tipo de gatilho for
RECURRING.
|
--trigger-disabled |
Opcional: impede a execução da tarefa. Esse parâmetro não
cancela as tarefas que já estão em execução, mas desativa temporariamente as
tarefas RECURRING.
|
--trigger-max-retires |
Opcional: o número de novas tentativas antes do cancelamento. Defina o valor como zero para nunca tentar repetir uma tarefa com falha. |
--trigger-schedule |
Programação do cron para executar tarefas periodicamente. |
--description |
Opcional: descrição da tarefa. |
--display-name |
Opcional: o nome de exibição da tarefa. |
--labels |
Opcional: lista de pares de rótulos KEY=VALUE a serem adicionados. |
--execution-args |
Opcional: os argumentos a serem passados para a tarefa. Os argumentos podem ser uma mistura de
pares de chave-valor. Você pode passar uma lista separada por vírgulas de pares de chave-valor como
argumentos de execução. Para passar argumentos posicionais, defina a chave como
TASK_ARGS e defina o valor como uma string separada por vírgulas de
todos os argumentos posicionais. Para usar um delimitador diferente de uma vírgula, consulte
para escaping.Caso key-value e argumentos posicionais sejam transmitidos
juntos, TASK_ARGS será transmitido como o último argumento.
|
--execution-service-account |
Conta de serviço a ser usada para executar uma tarefa. |
--max-job-execution-lifetime |
Opcional: a duração máxima antes da expiração da execução do job. |
--container-image |
Opcional: imagem de contêiner personalizada para o ambiente de execução do job. Se não especificado, uma imagem de contêiner padrão será usada. |
--kms-key |
Opcional: a chave do Cloud KMS a ser usada para criptografia, no formato:projects/{project_number}/locations/{location_id}/keyRings/{key-ring-name}/cryptoKeys/{key-name}
|
Exemplo de Java:
glcoud dataplex tasks create --project=<project-name> --location=<location> --lake=<lake-id> --trigger-type=ON_DEMAND –spark-main-jar-file-uri=<gcs location to java file> --execution-service-account=<service-account-email> --trigger-start-time=<timestamp after which job starts ex. 2099-01-01T00:00:00Z> --labels=key1=value1,key2=value3,key3=value3 --execution-args=arg1=value1,arg2=value3,arg3=value3 <task-id>
Exemplo do PySpark:
gcloud dataplex tasks create --project=<project-name> --location=<location> --lake=<lake-id> --trigger-type=RECURRING --trigger-schedule=<Cron schedule https://en.wikipedia.org/wiki/Cron> --spark-python-script-file=<gcs location to python script> --execution-service-account=<service-account-email> --execution-args=^::^arg1=value1::arg2=value2::TASK_ARGS="pos-arg1, pos-arg2" <task-id>
REST
Para criar uma tarefa: use a ferramenta APIs Explorer.
programar uma tarefa do Spark SQL
gcloud
Para programar uma tarefa Spark SQL, execute o mesmo comando da CLI gcloud como em a tarefa Agendar uma tarefa Spark (Java ou Python), com o parâmetros adicionais a seguir:
| Parâmetro | Descrição |
|---|---|
--spark-sql-script |
O texto da consulta SQL. spark-sql-script ou
O campo spark-sql-script-file é obrigatório. |
--spark-sql-script-file |
Uma referência a um arquivo de consulta. Esse valor pode ser o Cloud Storage
URI do arquivo de consulta ou caminho para o conteúdo do script SQL.
spark-sql-script ou
O campo spark-sql-script-file é obrigatório. |
--execution-args |
Para tarefas do Spark SQL, os argumentos a seguir são obrigatórios e precisam ser
transmitidos como argumentos posicionais:--output_location, <GCS uri of the output directory>--output_format, <output file format>Os formatos aceitos são CSV, JSON, Parquet e ORC. |
gcloud dataplex tasks create --project=<project-name> --location=<location> --lake=<lake-id> --execution-service-account=<service-account-email> --trigger-type=ON_DEMAND --spark-sql-script=<sql-script> --execution-args=^::^TASK_ARGS="--output_location, <gcs folder location>, --output_format, json" <sql-task-id>
REST
Para criar uma tarefa: use a ferramenta APIs Explorer.
Monitorar sua tarefa
Console
No console do Google Cloud, acesse a página do Dataplex:
Navegue até a visualização Processo.
Na guia Tasks, há uma lista de tarefas filtrada por modelo tipos
Na coluna Nome, clique em qualquer tarefa que você quer consultar.
Clique no ID do job que você quer ver.
A página do Dataproc é aberta O console do Google Cloud permite visualizar os detalhes de monitoramento e saída.
gcloud
A tabela a seguir lista os comandos da CLI gcloud para monitorar suas tarefas.
| Ação | Comando da CLI gcloud |
|---|---|
| Como listar tarefas | gcloud dataplex tasks list --project=<project-name> --location=<location> --lake=<lake-id> |
| Como visualizar detalhes da tarefa | gcloud dataplex tasks describe --project=<project-name> --location=<location> --lake=<lake-id> <task-id> |
| Como listar jobs de uma tarefa | gcloud dataplex tasks jobs list --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> |
| Como ver detalhes do job | gcloud dataplex tasks jobs describe --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id> |
O Dataplex executa jobs no Dataproc sem servidor (Lotes). Para conferir os registros de execução de um job do Dataplex, siga estas etapas:
Consiga o ID do job do Dataproc sem servidor (lotes). Execute este comando:
gcloud dataplex tasks jobs describe --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id>Veja os registros. Execute o comando a seguir usando o ID do job que você recebeu executando o comando anterior:
gcloud beta dataproc batches wait --project=<project-name> --region=<location> <job-id>
REST
Para get ou list uma tarefa
ou vaga,
use a ferramenta APIs Explorer.
Gerenciar a programação
No console do Google Cloud, no Dataplex, é possível editar a programação de uma tarefa, excluir uma tarefa ou cancelar um job em andamento. A tabela a seguir lista os comandos da CLI gcloud para essas ações.
| Ação | Comando da CLI gcloud |
|---|---|
| Editar programação de tarefas | gcloud dataplex tasks update --project=<project-name> --location=<location> --lake=<lake-id> --trigger-schedule=<updated-schedule> <task-id> |
| Excluir uma tarefa | gcloud dataplex tasks delete --project=<project-name> --location=<location> --lake=<lake-id> <task-id> |
| Cancelar um job | gcloud dataplex tasks jobs cancel --project=<project-name> --location=<location> --lake=<lake-id> --task=<task-id> <job-id> |
A seguir
- Veja os modelos do Dataproc.
- Teste um modelo pré-criado para mover dados de maneira incremental dos recursos do Cloud Storage do Dataplex para o BigQuery.
- Consulte Configurar alertas e notificações para tarefas do Dataplex.