Cloud Storage è una parte fondamentale dell'archiviazione e dell'utilizzo dei big data su Google Cloud. Ad esempio, puoi utilizzare Cloud Storage per caricare i dati in BigQuery, archiviare i file di staging e i dati temporanei per le pipeline Dataflow e integrarsi con Dataproc, in modo da poter eseguire i job Apache Hadoop o Apache Spark direttamente sui tuoi dati in Cloud Storage.
Questa pagina descrive come utilizzare lo strumento a riga di comando gcloud per eseguire attività di Big Data, come copiare file di grandi dimensioni o molti file in parallelo. Per un'introduzione a gcloud, consulta la guida rapida di gcloud.
Prima di iniziare
Per sfruttare al meglio gli esempi mostrati in questa pagina, devi completare le seguenti operazioni (se non l'hai ancora fatto):
- Installa gcloud CLI.
- Inizializza gcloud CLI.
Copia di molti file in un bucket
Il comando cp carica in modo efficiente un numero elevato di file eseguendo automaticamente
copie parallele (multithread/multiprocessing) in base alle necessità. Per
copiare in modo ricorsivo le sottodirectory, utilizza il flag --recursive nel comando.
Ad esempio, per copiare file, incluse le sottodirectory, da una directory locale
denominata top-level-dir a un bucket, puoi utilizzare:
gcloud storage cp top-level-dir gs://example-bucket --recursive
Puoi utilizzare i caratteri jolly per trovare un insieme specifico di
nomi per un'operazione. Ad esempio, per copiare solo i file che iniziano con image:
gcloud storage cp top-level-dir/subdir/image* gs://example-bucket --recursive
Puoi rimuovere i file utilizzando lo stesso carattere jolly:
gcloud storage rm gs://example-bucket/top-level-dir/subdir/image*
Oltre a copiare i file locali nel cloud e viceversa, puoi anche copiare nel cloud, ad esempio:
gcloud storage cp gs://example-bucket/top-level-dir/subdir/** gs://example-bucket/top-level-dir/subdir/subdir2
gcloud storage rileva automaticamente che stai spostando più file e li crea in una nuova directory denominata subdir2.
Sincronizzazione di una directory locale
Se vuoi sincronizzare una directory locale con un bucket o viceversa,
puoi farlo con il comando gcloud storage rsync. Ad esempio, per fare in modo che gs://example-bucket corrisponda ai contenuti della directory locale local-dir, puoi utilizzare:
gcloud storage rsync local-dir gs://example-bucket --recursive
Se utilizzi il flag --delete-unmatched-destination-objects, il comando
elimina i file nella destinazione
(gs://example-bucket nel comando precedente) che non sono presenti nella
sorgente (local-dir). Puoi anche eseguire la sincronizzazione tra due bucket.
Copia di file di grandi dimensioni in un bucket
In generale, quando lavori con i big data, una volta che i dati sono nel cloud devono rimanere lì. Una volta che i dati si trovano in Google Cloud, è molto veloce trasferirli ad altri servizi nella stessa località, ad esempio Compute Engine.
Per copiare un file locale di grandi dimensioni in un bucket, utilizza:
gcloud storage cp local-file gs://example-bucket
Per copiare un file di grandi dimensioni da un bucket esistente, utilizza:
gcloud storage cp gs://example-source-bucket/file gs://example-destination-bucket
gcloud storage sfrutta appieno le funzionalità di caricamento e
download ripristinabili di Cloud Storage. Per i file di grandi dimensioni, questo è particolarmente importante perché la probabilità di un errore di rete del tuo ISP aumenta con le dimensioni dei dati trasferiti. Riprendendo un caricamento in base al numero di byte effettivamente ricevuti dal server, gcloud storage evita di inviare nuovamente byte inutilmente e garantisce che il caricamento possa essere completato. La stessa logica viene applicata ai download in base alle dimensioni del file locale.
Configurazione di un bucket
Le attività tipiche di big data in cui vuoi configurare un bucket includono lo spostamento dei dati in una classe di archiviazione diversa, la configurazione del controllo delle versioni degli oggetti o l'impostazione di una regola del ciclo di vita.
Puoi elencare i dettagli di configurazione di un bucket con buckets describe:
gcloud storage buckets describe gs://example-bucket
Nell'output, nota le informazioni di configurazione del bucket, la maggior parte delle quali è
configurabile anche tramite gcloud storage:
- CORS: controlla le impostazioni di condivisione delle risorse tra origini per un bucket.
- Sito web: consente agli oggetti nel bucket di fungere da pagine web o di essere utilizzati come asset statici in un sito web.
- Controllo delle versioni: le eliminazioni degli oggetti nel bucket creano versioni non correnti.
- Classe di archiviazione: consente di impostare la classe di archiviazione durante la creazione del bucket.
- Ciclo di vita: consente di eseguire operazioni periodiche sul bucket. La più comune è l'eliminazione degli oggetti obsoleti.
Ad esempio, supponiamo che tu voglia conservare i file in un determinato bucket solo per un giorno. In questo caso, puoi configurare la regola del ciclo di vita per il bucket con:
echo '{ "rule": [{ "action": {"type": "Delete"}, "condition": {"age": 1}}]}' > lifecycle_config.json
gcloud storage buckets update gs://example-bucket --lifecycle-file=lifecycle_config.json
Ora, tutti gli oggetti nel bucket più vecchi di un giorno verranno eliminati automaticamente
da questo bucket. Puoi verificare la configurazione appena impostata con il comando
buckets describe (gli altri comandi di configurazione funzionano in modo
simile):
gcloud storage buckets describe gs://example-bucket
Condivisione di dati in un bucket
Quando lavori con i big data, probabilmente collaborerai sui file e
dovrai essere in grado di concedere l'accesso a persone o gruppi specifici.
I criteri Identity and Access Management definiscono chi può accedere ai tuoi file e cosa può fare. Puoi visualizzare il criterio IAM di un bucket utilizzando il comando buckets get-iam-policy:
gcloud storage buckets get-iam-policy gs://example-bucket
La risposta al comando mostra le entità, ovvero gli account a cui è stato concesso l'accesso al bucket, e i ruoli, ovvero i gruppi di autorizzazioni concesse alle entità.
Tre scenari comuni per la condivisione dei dati sono la condivisione pubblica, la condivisione con un gruppo e la condivisione con una persona:
Condivisione pubblica: per un bucket i cui contenuti devono essere elencati e letti da chiunque su internet, puoi configurare il criterio IAM utilizzando la designazione "AllUsers":
gcloud storage buckets add-iam-policy-binding gs://example-bucket --member=allUsers --role=roles/storage.objectViewer
Condivisione con un gruppo: per i collaboratori che non hanno accesso alle tue altre risorse Google Cloud , ti consigliamo di creare un gruppo Google e poi aggiungerlo al bucket. Ad esempio, per concedere l'accesso al gruppo Google
my-group, puoi configurare il seguente criterio IAM:gcloud storage buckets add-iam-policy-binding gs://example-bucket --member=group:my-group@googlegroups.com --role=roles/storage.objectViewer
Per saperne di più, consulta Utilizzare un gruppo per controllare l'accesso agli oggetti.
Condivisione con una persona: per molti collaboratori, utilizza un gruppo per concedere l'accesso in blocco. Per una persona, puoi concedere l'accesso in lettura nel seguente modo:
gcloud storage buckets add-iam-policy-binding gs://example-bucket --member=user:jeffersonloveshiking@gmail.com --role=roles/storage.objectViewer
Pulizia di un bucket
Puoi pulire rapidamente un bucket con il seguente comando:
gcloud storage rm gs://example-bucket/ --recursive
Utilizzo dei checksum
Quando esegui le copie, i comandi gcloud storage cp e gcloud storage rsync
verificano che il checksum del file di origine corrisponda a quello del file di destinazione. Nel raro caso in cui i checksum non corrispondano,
gcloud storage elimina la copia non valida e stampa un messaggio di avviso. Per ulteriori
informazioni, consulta la convalida del checksum.
Puoi utilizzare gcloud storage per ottenere il checksum di un oggetto in un bucket. Ad esempio, supponiamo di copiare un oggetto dati pubblici Landsat nel tuo bucket di lavoro con:
gcloud storage cp gs://gcp-public-data-landsat/LC08/01/001/003/LC08_L1GT_001003_20140812_20170420_01_T2/LC08_L1GT_001003_20140812_20170420_01_T2_B3.TIF gs://example-bucket
Ora puoi ottenere i checksum sia della versione del file nel bucket pubblico sia della tua versione del file nel tuo bucket per assicurarti che corrispondano:
gcloud storage objects describe gs://example-bucket/LC08_L1GT_001003_20140812_20170420_01_T2_B3.TIF
gcloud storage objects describe gs://gcp-public-data-landsat/LC08/01/001/003/LC08_L1GT_001003_20140812_20170420_01_T2/LC08_L1GT_001003_20140812_20170420_01_T2_B3.TIF
Puoi anche utilizzare gcloud storage per calcolare il checksum di un file locale. Ad esempio, supponiamo che i tuoi dati si trovino in un file in un data center locale e che tu li abbia copiati in Cloud Storage. Puoi utilizzare gcloud storage hash
per ottenere il checksum del file locale e confrontarlo con il checksum
del file copiato in un bucket. Per ottenere il checksum di un file locale, utilizza:
gcloud storage hash local-file
Valori MD5
Per gli oggetti non compositi, l'esecuzione di gcloud storage objects describe su un
oggetto in un bucket restituisce un output simile al seguente:
bucket: example-bucket contentType: text/plain crc32c: FTiauw== customTime: '1970-01-01T00:00:00+00:00' etag: CPjo7ILqxsQCEAE= generation: '1629833823159214' id: example-bucket/100MBfile.txt/1629833823159214 kind: storage#object md5Hash: daHmCObxxQdY9P7lp9jj0A== ...
L'esecuzione di gcloud storage hash su un file locale restituisce un output simile al seguente:
--- crc32c_hash: IJfuvg== digest_format: base64 md5_hash: +bqpwgYMTRn0kWmp5HXRMw== url: file.txt
Entrambi gli output hanno un valore CRC32c e MD5. Non esiste un valore MD5 per gli oggetti compositi, ad esempio quelli creati da caricamenti compositi paralleli.