Dataproc에서 데이터 계보 사용 설정

이 문서에서는 프로젝트 또는 클러스터 수준에서 Dataproc Spark 작업에 데이터 계보를 사용 설정하는 방법을 설명합니다.

개요

데이터 계보는 시스템을 통해 데이터가 이동하는 방식, 즉 데이터의 출처, 데이터가 전달되는 위치, 데이터에 적용되는 변환을 추적할 수 있는 Dataplex 기능입니다.

데이터 계보는 Dataproc Compute Engine 2.0.74 이상 및 2.1.22 이상 이미지를 통해 SparkR을 제외한 모든 Dataproc Spark 작업에 사용할 수 있으며 BigQuery 및 Cloud Storage 데이터 소스를 지원합니다.

Dataproc 클러스터에서 이 기능을 사용 설정하면 Dataproc Spark 작업이 데이터 계보 이벤트를 캡처하여 Dataplex Data Lineage API에 게시합니다. Dataproc은 OpenLineage Spark 플러그인을 사용하여 OpenLineage를 통해 Data Lineage API와 통합됩니다.

다음을 사용하여 Dataplex를 통해 데이터 계보 정보에 액세스할 수 있습니다.

제한사항

SparkR 또는 Spark 스트리밍 작업에는 데이터 계보를 사용할 수 없습니다.

시작하기 전에

  1. Google Cloud 콘솔의 프로젝트 선택기 페이지에서 계보를 추적할 Dataproc 클러스터가 포함된 프로젝트를 선택합니다.

    프로젝트 선택기로 이동

  2. Data Lineage API 및 Data Catalog API를 사용 설정합니다.

    API 사용 설정

필요한 역할

Dataproc에서 데이터 계보를 사용하는 데 필요한 권한을 얻으려면 관리자에게 Dataproc 클러스터 VM 서비스 계정에 대해 다음 IAM 역할을 부여해 달라고 요청하세요.

역할 부여에 대한 자세한 내용은 프로젝트, 폴더, 조직에 대한 액세스 관리를 참조하세요.

커스텀 역할이나 다른 사전 정의된 역할을 통해 필요한 권한을 얻을 수도 있습니다.

프로젝트 수준에서 데이터 라인 사용 설정

프로젝트 수준에서 데이터 계보를 사용 설정할 수 있습니다. 프로젝트에서 데이터 계보를 사용 설정한 후에 생성된 클러스터에서 실행되는 지원되는 Spark 작업에는 데이터 계보가 사용 설정됩니다. 프로젝트 수준에서 데이터 계보를 사용 설정하기 전에 만들어진 기존 클러스터에서 실행되는 작업에는 데이터 계보가 사용 설정되지 않습니다.

프로젝트 수준에서 데이터 계보를 사용 설정하는 방법

프로젝트 수준에서 데이터 라인을 사용 설정하려면 다음 커스텀 프로젝트 메타데이터를 설정합니다.

키 값
DATAPROC_LINEAGE_ENABLED true
DATAPROC_CLUSTER_SCOPES https://www.googleapis.com/auth/cloud-platform

DATAPROC_LINEAGE_ENABLED 메타데이터를 false로 설정하여 프로젝트 수준에서 데이터 계보를 사용 중지할 수 있습니다.

클러스터 수준에서 데이터 계보 사용 설정

클러스터를 만들 때 데이터 계보를 사용 설정하면 클러스터에 제출된 모든 지원되는 Spark 작업에 데이터 계보가 사용 설정됩니다.

클러스터 수준에서 데이터 계보를 사용 설정하는 방법

클러스터에서 데이터 계보를 사용 설정하려면 dataproc:dataproc.lineage.enabled 클러스터 속성을 true로 설정하여 Dataproc 클러스터를 만듭니다.

2.0 이미지 버전 클러스터: 데이터 계보에는 Dataproc 클러스터 VM 액세스 cloud-platform 범위가 필요합니다. 이미지 버전 2.1 이상으로 생성된 Dataproc 이미지 버전 클러스터에는 cloud-platform가 사용 설정되어 있습니다. 클러스터를 만들 때 Dataproc 이미지 버전 2.0를 지정하는 경우 범위를 cloud-platform로 설정합니다.

gcloud CLI 예시:

gcloud dataproc clusters create CLUSTER_NAME \
    --project PROJECT_ID \
    --region REGION \
    --properties 'dataproc:dataproc.lineage.enabled=true'

작업에서 데이터 계보 사용 중지

클러스터 수준에서 데이터 계보를 사용 설정하는 경우 작업을 제출할 때 spark.extraListeners 속성을 빈 값 ("")으로 전달하여 특정 작업에서 데이터 계보를 사용 중지할 수 있습니다.

사용 설정하면 클러스터에서 데이터 계보를 사용 중지할 수 없습니다. 모든 클러스터 작업에서 데이터 계보를 삭제하려면 dataproc:dataproc.lineage.enabled 속성 없이 클러스터를 다시 만들면 됩니다.

Spark 작업 제출

데이터 계보가 사용 설정된 상태로 만들어진 Dataproc 클러스터에서 Spark 작업을 제출하면 Dataproc이 데이터 계보 정보를 캡처하여 Data Lineage API에 보고합니다.

gcloud dataproc jobs submit spark \
    --cluster=CLUSTER_NAME \
    --project PROJECT_ID \
    --region REGION \
    --class CLASS \
    --jars=gs://APPLICATION_BUCKET/spark-application.jar \
    --properties=spark.openlineage.namespace=CUSTOM_NAMESPACE,spark.openlineage.appName=CUSTOM_APPNAME

참고:

  • 작업을 고유하게 식별하는 데 사용되는 spark.openlineage.namespace 및 spark.openlineage.appName 속성을 추가하는 것은 선택사항입니다. 이러한 속성을 추가하지 않으면 Dataproc에서 다음 기본값을 사용합니다.
    • spark.openlineage.namespace 기본값: PROJECT_ID
    • spark.openlineage.appName 기본값: spark.app.name

Dataplex에서 계보 그래프 보기

계보 시각화 그래프에는 프로젝트 리소스와 이를 만든 프로세스 간의 관계가 표시됩니다. Google Cloud 콘솔에서 그래프 시각화 형식으로 데이터 계보 정보를 보거나 JSON 데이터 형식으로 Data Lineage API에서 검색할 수 있습니다.

자세한 내용은 Dataplex UI에서 계보 그래프 보기를 참조하세요.

예:

다음 Spark 작업은 BigQuery 테이블에서 데이터를 읽고 다른 BigQuery 테이블에 씁니다.

#!/usr/bin/env python

from pyspark.sql import SparkSession
import sys

spark = SparkSession \
  .builder \
  .appName('LINEAGE_BQ_TO_BQ') \
  .getOrCreate()

bucket = lineage-ol-test
spark.conf.set('temporaryGcsBucket', bucket)

source = sample.source
words = spark.read.format('bigquery') \
  .option('table', source) \
  .load()
words.createOrReplaceTempView('words')

word_count = spark.sql('SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word')

destination = sample.destination
word_count.write.format('bigquery') \
  .option('table', destination) \
  .save()

Spark 작업은 Dataplex UI에서 다음 계보 그래프를 만듭니다.

샘플 계보 그래프

다음 단계