Présentation de Managed Service pour Apache Spark sur les clusters

Managed Service pour Apache Spark sur des clusters vous permet de bénéficier d'outils de données Open Source pour le traitement par lot, l'interrogation, les flux de données et le machine learning. L'automatisation de Managed Service pour Apache Spark sur clusters vous permet de créer des clusters rapidement, de les gérer facilement et de faire des économies en désactivant ceux que vous n'utilisez plus. Vous consacrez moins de temps et d'argent aux fonctions d'administration, ce qui vous permet de vous concentrer sur les jobs et les données.

Avantages de Managed Service pour Apache Spark sur les clusters

Comparé aux produits traditionnels sur site et aux services cloud concurrents, Managed Service pour Apache Spark présente des avantages exclusifs, ciblant les clusters comptant de trois à plusieurs centaines de nœuds :

  • Faible coût : Managed Service pour Apache Spark sur les clusters est facturé seulement 1 centime par processeur virtuel dans votre cluster et par heure, en plus des autres ressources Google Cloud que vous utilisez. En plus de ce prix bas, les clusters Managed Service pour Apache Spark peuvent inclure des instances préemptives dont les tarifs de calcul sont inférieurs, ce qui réduit encore davantage vos coûts. Au lieu d'arrondir votre utilisation à l'heure supérieure, Managed Service pour Apache Spark sur les clusters ne vous facture que ce que vous utilisez réellement, avec une facturation à la seconde et une période de facturation minimale d'une minute.
  • Ultra-rapide : sans Managed Service pour Apache Spark sur les clusters, la création de clusters Spark et Hadoop sur site ou via des fournisseurs IaaS peut prendre entre 5 et 30 minutes. En comparaison, les clusters Managed Service pour Apache Spark démarrent, évoluent et s'arrêtent rapidement, chacune de ces opérations prenant en moyenne 90 secondes ou moins. Cela vous permet de passer moins de temps à attendre les clusters et plus de temps à travailler sur vos données.
  • Intégration : Managed Service pour Apache Spark sur les clusters est intégré à d'autres services Google Cloud , tels que BigQuery, Cloud Storage, Bigtable, Cloud Logging et Cloud Monitoring. Ainsi, en plus d'un cluster Spark ou Hadoop, vous disposez d'une plate-forme de données complète. Par exemple, vous pouvez utiliser Managed Service pour Apache Spark sur des clusters pour extraire, transformer et charger facilement plusieurs téraoctets de données de journaux brutes directement dans BigQuery afin de créer des rapports commerciaux.
  • Géré : utilisez des clusters Spark et Hadoop sans l'aide d'un administrateur ni d'un logiciel spécial. Vous pouvez interagir avec les clusters et les jobs Spark ou Hadoop via la console Google Cloud , Cloud SDK ou l'API REST de Managed Service pour Apache Spark sur les clusters. Lorsque vous avez terminé de travailler sur un cluster, vous pouvez le désactiver afin d'éviter de payer pour un cluster inactif. Vous n'avez pas à vous soucier de la perte de données, car Managed Service pour Apache Spark est intégré à Cloud Storage, BigQuery et Bigtable.
  • Simple et familier : vous n'avez pas besoin d'apprendre à utiliser de nouveaux outils ou de nouvelles API pour utiliser Managed Service pour Apache Spark sur des clusters. Vous pouvez ainsi déplacer des projets existants vers Managed Service pour Apache Spark sur des clusters sans avoir à les redévelopper. Spark, Hadoop, Pig et Hive sont mis à jour régulièrement, ce qui vous permet d'être productif plus rapidement.

Qu'est-ce qui est inclus dans Managed Service pour Apache Spark sur les clusters ?

Pour obtenir la liste des versions de connecteurs Open Source (Hadoop, Spark, Hive et Pig) et Google Cloudcompatibles avec Managed Service pour Apache Spark sur les clusters, consultez les listes des versions d'image de cluster Managed Service pour Apache Spark.

Premiers pas

Pour commencer, consultez les guides de démarrage rapide de Managed Service pour Apache Spark sur les clusters. Vous pouvez accéder à Managed Service pour Apache Spark sur des clusters de plusieurs façons :