Quando crei un cluster, HDFS viene utilizzato come file system predefinito. Puoi sostituire questo comportamento impostando defaultFS come bucket Cloud Storage bucket. Per impostazione predefinita, Managed Service for Apache Spark crea anche un bucket gestione temporanea e di staging Cloud Storage nel tuo progetto o riutilizza i bucket temporanei e di staging creati da Managed Service for Apache Spark nelle richieste di creazione del cluster precedenti.
Bucket di staging: utilizzato per archiviare in un'area intermedia le dipendenze dei job del cluster, l'output del driver dei job, e i file di configurazione del cluster. Riceve anche l'output da Raccolta dati di diagnostica snapshot.
Bucket temporaneo: utilizzato per archiviare i dati effimeri di cluster e job, come i file di cronologia di Spark e MapReduce. Archivia anche i dati di diagnostica dei checkpoint raccolti durante il ciclo di vita di un cluster.
Se non specifichi un bucket gestione temporanea o di staging quando crei un cluster, Managed Service for Apache Spark imposta una località Cloud Storage negli Stati Uniti, in Asia, o nell'UE per i bucket temporanei e di staging del cluster in base alla zona Compute Engine in cui è stato eseguito il deployment del cluster, quindi crea e gestisce questi bucket a livello di progetto per località. I bucket temporanei e di staging creati da Managed Service for Apache Spark vengono condivisi tra i cluster nella stessa regione e vengono creati con una durata di conservazione dell'eliminazione temporanea di Cloud Storage soft delete retention impostata su 0 secondi. Se specifichi i tuoi bucket temporanei e di staging, valuta la possibilità di ottimizzare la conservazione dell'eliminazione temporanea per ridurre i costi di archiviazione sostenuti dagli oggetti eliminati temporaneamente.
Il bucket temporaneo contiene dati effimeri e ha un TTL di 90 giorni. Il bucket di staging, che può contenere dati di configurazione e file di dipendenza necessari per più cluster, non ha un TTL. Tuttavia, puoi applicare una regola del ciclo di vita a i file di dipendenza (file con estensione del nome file ".jar" che si trovano nella cartella del bucket di staging) per pianificare la rimozione dei file di dipendenza quando non sono più necessari per i cluster.
Crea i tuoi bucket temporanei e di staging
Anziché fare affidamento sulla creazione di un bucket gestione temporanea e di staging predefinito, puoi specificare i bucket Cloud Storage esistenti che Managed Service for Apache Spark utilizzerà come bucket gestione temporanea e di staging del cluster.
Google Cloud Console
Per specificare o selezionare il bucket di staging del cluster:
- Apri la pagina Crea cluster.
- Fai clic su Configurazione aggiuntiva per espandere la sezione.
- Modifica Personalizzazione e altro.
- Nel riquadro che si apre, nella sezione Bucket di staging Cloud Storage, specifica un bucket.
Nota: la specifica di un bucket temporaneo utilizzando la Google Cloud console non è supportata.
gcloud CLI
Esegui il comando gcloud dataproc clusters create con i flag --bucket e/o --temp-bucket in locale in una finestra del terminale o in Cloud Shell per specificare il bucket gestione temporanea e/o di staging del cluster.
gcloud dataproc clusters create cluster-name \ --region=region \ --bucket=bucket-name \ --temp-bucket=bucket-name \ other args ...
API REST
Utilizza i campi ClusterConfig.configBucket e
ClusterConfig.tempBucket
in una richiesta clusters.create
per specificare i bucket temporanei e di staging del cluster.
Managed Service for Apache Spark utilizza una struttura di cartelle definita per i bucket Cloud Storage collegati ai cluster e supporta anche il collegamento di più cluster a un bucket. La struttura di cartelle utilizzata per salvare l'output del driver dei job in Cloud Storage è la seguente:
cloud-storage-bucket-name
- google-cloud-dataproc-metainfo
- list of cluster IDs
- list of job IDs
- list of output logs for a job
Puoi utilizzare lo strumento a riga di comando gcloud, l'API Dataproc o
Google Cloud la console per elencare il nome dei bucket temporanei e di staging di un cluster.
Google Cloud Console
- Puoi visualizzare i dettagli del cluster, incluso il nome del bucket di staging del cluster, nella pagina Cluster della Google Cloud console.
- Nella pagina Google Cloud console Browser Cloud Storage della console, filtra i risultati che contengono "dataproc-temp-".
gcloud CLI
Esegui il
gcloud dataproc clusters describe
comando in locale in una finestra del terminale o in
Cloud Shell.
I bucket temporanei e di staging associati al cluster sono elencati nell'output.
gcloud dataproc clusters describe cluster-name \
--region=region \
...
clusterName: cluster-name
clusterUuid: daa40b3f-5ff5-4e89-9bf1-bcbfec ...
config:
configBucket: dataproc-...
...
tempBucket: dataproc-temp...
API REST
Chiama clusters.get per elencare i dettagli del cluster, inclusi i nomi dei bucket temporanei e di staging del cluster.
{
"projectId": "vigilant-sunup-163401",
"clusterName": "cluster-name",
"config": {
"configBucket": "dataproc-...",
...
"tempBucket": "dataproc-temp-...",
}
defaultFS
Puoi impostare core:fs.defaultFS su una località del bucket in Cloud Storage (gs://defaultFS-bucket-name) per impostare Cloud Storage come file system predefinito. Inoltre, imposta core:fs.gs.reported.permissions, l'autorizzazione segnalata restituita dal connettore Cloud Storage per tutti i file, su 777.
Se Cloud Storage non è impostato come file system predefinito, verrà utilizzato HDFS e la proprietà core:fs.gs.reported.permissions restituirà 700, il valore predefinito.
gcloud dataproc clusters create cluster-name \ --properties=core:fs.defaultFS=gs://defaultFS-bucket-name \ --region=region \ --bucket=staging-bucket-name \ --temp-bucket=temp-bucket-name \ other args ...