Wichtige Konzepte für Managed Service for Apache Spark

In diesem Dokument werden die wichtigsten Konzepte, grundlegenden Bausteine, Hauptfunktionen und Vorteile von Managed Service for Apache Spark erläutert. Wenn Sie diese Grundlagen verstehen, können Sie Managed Service for Apache Spark effektiv für Ihre Datenverarbeitungsaufgaben nutzen.

Das clusterbasierte Modell

Managed Service for Apache Spark auf Clustern ist die standardmäßige, infrastrukturorientierte Methode zur Verwendung von Managed Service for Apache Spark. Sie haben die volle Kontrolle über eine dedizierte Gruppe von virtuellen Maschinen für Ihre Datenverarbeitungsaufgaben.

  • Cluster: Ein Cluster ist Ihre persönliche Datenverarbeitungs-Engine, die aus Cloud de Confiance by S3NS  virtuellen Maschinen besteht. Sie erstellen einen Cluster, um Open-Source-Frameworks wie Apache Spark und Apache Hadoop auszuführen. Sie haben die volle Kontrolle über Clustergröße, Maschinentypen und Konfiguration.
  • Jobs: Ein Job ist eine bestimmte Aufgabe, z. B. ein PySpark-Script oder eine Hadoop-Abfrage. Anstatt einen Job direkt in einem Cluster auszuführen, senden Sie ihn an Managed Service for Apache Spark, der die Jobausführung für Sie verwaltet. Sie können mehrere Jobs an den Cluster senden.
  • Workflow-Vorlagen: Eine Workflow-Vorlage ist eine wiederverwendbare Definition, die eine Reihe von Jobs (einen Workflow) orchestriert. Sie können Abhängigkeiten zwischen Jobs definieren, z. B. um einen Job für maschinelles Lernen erst nach erfolgreichem Abschluss eines Datenbereinigungsjobs auszuführen. Der Vorlagenworkflow kann auf einem vorhandenen Cluster oder auf einem temporären (sitzungsspezifischen) Cluster ausgeführt werden, der für die Ausführung des Workflows erstellt und nach Abschluss des Workflows gelöscht wird. Sie können die Vorlage verwenden, um den definierten Workflow bei Bedarf auszuführen.
  • Autoscaling-Richtlinien: Eine Autoscaling-Richtlinie enthält Regeln, die Sie definieren, um Worker-Maschinen basierend auf der Clusterarbeitslast einem Cluster hinzuzufügen oder daraus zu entfernen, um die Kosten und die Leistung des Clusters dynamisch zu optimieren.

Anpassung der Umgebung

Managed Service for Apache Spark in Clustern bietet Clusterfunktionen und Komponenten, mit denen Sie Ihre Anwendungsumgebung anpassen können.

Notebook- und Entwicklungsumgebungen

Serverlose Notebooks und IDEs von Managed Service for Apache Spark verweisen auf integrierte Entwicklungsumgebungen, in denen Sie Ihren Code schreiben und ausführen können.

  • BigQuery Studio und Workbench: Dies sind einheitliche Analyse- und Notebook-Umgebungen. Sie können damit Code schreiben (z. B. in einem Jupyter-Notebook) und einen Managed Service for Apache Spark-Cluster oder eine serverlose Sitzung als leistungsstarke Backend-Engine verwenden, um Ihren Code für große Datasets auszuführen.
  • Managed Service for Apache Spark JupyterLab-Plug-in: Diese offizielle JupyterLabextension dient als Steuerfeld für Managed Service for Apache Spark Serverless in Ihrer Notebook-Umgebung. Sie vereinfacht Ihren Workflow, da Sie Cluster durchsuchen, erstellen und verwalten sowie Jobs einreichen können, ohne die Jupyter-Oberfläche verlassen zu müssen.
  • Google Cloud Data Agent Kit: Mit dem Data Agent Kit können Data Scientists, Engineers und Entwickler den gesamten Lebenszyklus ihrer Datenarbeitslasten in ihrer IDE verwalten. Das Data Agent Kit unterstützt Managed Service for Apache Spark, sodass Sie Code entwickeln, interaktive Sitzungen erstellen und Pipelines erstellen können – direkt in VS Code oder einer unterstützten agentischen Befehlszeile.
  • Managed Service for Apache Spark Connect Python Connector: Diese Python-Bibliothek vereinfacht die Verwendung von Spark Connect mit Managed Service for Apache Spark. Er übernimmt die Authentifizierung und die Endpunktkonfiguration, sodass Sie Ihre lokale Python-Umgebung, z. B. ein Notebook oder eine IDE, viel einfacher mit einem Remote-Cluster von Managed Service for Apache Spark für die interaktive Entwicklung verbinden können.