Utilizzare i bucket con spazi dei nomi gerarchici abilitati per i carichi di lavoro Hadoop

Questa pagina descrive come utilizzare i bucket con spazio dei nomi gerarchico abilitato per i carichi di lavoro Hadoop.

Panoramica

Quando utilizzi un bucket Cloud Storage con spazio dei nomi gerarchico, puoi configurare il connettore Cloud Storage per utilizzare l'operazione Rinomina cartella per carichi di lavoro come Hadoop, Spark e Hive.

In un bucket senza spazio dei nomi gerarchico, un'operazione di ridenominazione in Hadoop, Spark e Hive comporta più job di copia ed eliminazione di oggetti, con un impatto su prestazioni e coerenza. La ridenominazione di una cartella utilizzando il connettore Cloud Storage ottimizza le prestazioni e garantisce la coerenza quando si gestiscono cartelle con un numero elevato di oggetti.

Prima di iniziare

Per utilizzare le funzionalità dei bucket dello spazio dei nomi gerarchico, utilizza le seguenti versioni del connettore Cloud Storage:

  • 2.2.23 o versioni successive (se utilizzi la versione 2.x.x)
  • 3.0.1 o versioni successive (se utilizzi la versione 3.x.x)

Le versioni precedenti del connettore (3.0.0 e precedenti alla 2.2.23) presentano limitazioni. Per ulteriori informazioni sulle limitazioni, vedi Compatibilità con il connettore Cloud Storage versione 3.0.0 o versioni precedenti alla 2.2.23.

Abilita il connettore Cloud Storage su un cluster

Questa sezione descrive come attivare il connettore Cloud Storage su un cluster Dataproc e su un cluster Hadoop autogestito.

Dataproc

Puoi utilizzare Google Cloud CLI per creare un cluster Dataproc e attivare il connettore Cloud Storage per eseguire le operazioni sulle cartelle.

  1. Crea un cluster Dataproc utilizzando il seguente comando:

      gcloud dataproc clusters create CLUSTER_NAME
  --properties=core:fs.gs.hierarchical.namespace.folders.enable=true,
  core:fs.gs.http.read-timeout=30000

    Dove:

    • CLUSTER_NAME è il nome del cluster. Ad esempio, my-cluster
    • fs.gs.hierarchical.namespace.folders.enable viene utilizzato per abilitare lo spazio dei nomi gerarchico in un bucket.

    • fs.gs.http.read-timeout è il tempo massimo consentito, in millisecondi, per leggere i dati da una connessione stabilita. Questa è un'impostazione facoltativa.

Hadoop autogestito

Puoi attivare il connettore Cloud Storage sul tuo cluster Hadoop autogestito per eseguire le operazioni sulle cartelle.

  1. Aggiungi quanto segue al file di configurazione core-site.xml:

        <property>
      <name>fs.gs.hierarchical.namespace.folders.enable</name>
      <value>true</value>
    </property>
    <property>
      <name>fs.gs.http.read-timeout</name>
      <value>30000</value>
    </property>

    Dove:

    • fs.gs.hierarchical.namespace.folders.enable viene utilizzato per abilitare lo spazio dei nomi gerarchico in un bucket

    • fs.gs.http.read-timeout è il tempo massimo consentito, in millisecondi, per leggere i dati da una connessione stabilita. Questa è un'impostazione facoltativa.

Compatibilità con il connettore Cloud Storage versione 3.0.0 o versioni precedenti alla 2.2.23

L'utilizzo del connettore Cloud Storage versione 3.0.0 o versioni precedenti alla 2.2.23 o la disattivazione delle operazioni sulle cartelle per lo spazio dei nomi gerarchico può comportare le seguenti limitazioni:

  • Ridenominazioni inefficienti delle cartelle: le operazioni di ridenominazione delle cartelle in Hadoop vengono eseguite utilizzando operazioni di copia ed eliminazione a livello di oggetto, che sono più lente e meno efficienti rispetto all'operazione rename folder dedicata.

  • Accumulo di cartelle vuote: le cartelle non vengono eliminate automaticamente, il che porta all'accumulo di cartelle vuote nel bucket. L'accumulo di cartelle vuote può avere il seguente impatto:

    • Aumenta i costi di archiviazione se non vengono eliminati esplicitamente.

    • Rallentano le operazioni di elenco e aumentano il rischio di timeout delle operazioni di elenco.

  • Problemi di compatibilità: l'utilizzo combinato di versioni precedenti e più recenti del connettore o l'attivazione e la disattivazione delle operazioni sulle cartelle possono causare problemi di compatibilità durante la ridenominazione delle cartelle. Considera lo scenario seguente che utilizza una combinazione di versioni del connettore:

    1. Utilizza la versione del connettore Cloud Storage precedente alla 2.2.23 per eseguire le seguenti attività:

      1. Scrivi oggetti nella cartella foo/.
      2. Rinomina la cartella foo/ in bar/. L'operazione di ridenominazione copia ed elimina gli oggetti in foo/, ma non elimina la cartella foo/ vuota.

    2. Utilizza la versione 2.2.23 del connettore Cloud Storage con le impostazioni delle operazioni sulle cartelle abilitate per rinominare la cartella bar/ in foo/.

    La versione 2.2.23 del connettore, con l'operazione di cartella abilitata, rileva la cartella foo/ esistente, causando l'errore dell'operazione di ridenominazione. La versione precedente del connettore non ha eliminato la cartella foo/ perché l'operazione sulla cartella era disattivata.

Passaggi successivi

Provalo

Se non conosci Google Cloud, crea un account per valutare le prestazioni di Cloud Storage in scenari reali. I nuovi clienti ricevono anche 300 $ di crediti senza addebiti per l'esecuzione, il test e il deployment dei workload.

Prova Cloud Storage gratuitamente