启用 Dataproc 集群缓存后，集群会缓存 Spark 作业经常访问的 Cloud Storage 数据。
优势
- 提高性能：缓存可以减少从存储空间检索数据所花的时间，从而提高作业性能。
- 降低存储费用：由于热数据会缓存在本地磁盘上，因此系统会减少对存储空间进行 API 调用以检索数据。
限制和要求
- 缓存仅适用于 Dataproc Spark 作业。
- 系统只会缓存 Cloud Storage 数据。
- 缓存仅适用于满足以下要求的集群：
- 集群包含一个主节点和
n个工作器（不支持高可用性 [HA] 和单节点集群）。 - 此功能适用于 Compute Engine 版 Dataproc 的映像版本
2.0.72+ or 2.1.20+。 - 每个集群节点都必须通过 NVME（非易失性内存 Express）接口挂接本地 SSD（不支持永久性磁盘 [PD]）。数据仅缓存在 NVME 本地 SSD 上。
- 集群使用默认的虚拟机服务账号进行身份验证。不支持自定义虚拟机服务账号。
- 集群包含一个主节点和
启用集群缓存
您可以在使用 Google Cloud 控制台、Google Cloud CLI 或 Dataproc API 创建 Dataproc 集群时启用集群缓存。
Google Cloud 控制台
- 打开 Google Cloud 控制台中的 Dataproc 在 Compute Engine 上创建集群页面。
- 选中设置集群面板。在 Spark 性能增强部分中，选择 Enable Google Cloud Storage caching（启用 Google Cloud Storage 缓存）。
- 在集群创建面板中确认并指定集群详细信息后，点击创建。
gcloud CLI
在终端窗口或 Cloud Shell 中本地运行 gcloud dataproc clusters create 命令，并使用 dataproc:dataproc.cluster.caching.enabled=true
集群属性。
示例：
gcloud dataproc clusters create CLUSTER_NAME \ --region=REGION \ --properties dataproc:dataproc.cluster.caching.enabled=true \ --num-master-local-ssds=2 \ --master-local-ssd-interface=NVME \ --num-worker-local-ssds=2 \ --worker-local-ssd-interface=NVME \ other args ...
REST API
将 SoftwareConfig.properties 设置为包含 "dataproc:dataproc.cluster.caching.enabled": "true"
集群属性（作为 clusters.create 请求的一部分）。