Neste documento, explicamos os principais conceitos, os elementos básicos, os recursos principais e os benefícios do Serviço Gerenciado para Apache Spark. Entender esses conceitos básicos ajuda você a usar o Serviço Gerenciado para Apache Spark de maneira eficaz nas suas tarefas de tratamento de dados.
O modelo baseado em cluster
O Serviço Gerenciado para Apache Spark em clusters é a maneira padrão e centrada em infraestrutura de usar o Serviço Gerenciado para Apache Spark. Ele oferece controle total sobre um conjunto dedicado de máquinas virtuais para suas tarefas de processamento de dados.
- Clusters: um cluster é seu mecanismo pessoal de tratamento de dados, composto por máquinas virtuais do Cloud de Confiance by S3NS . Você cria um cluster para executar frameworks de código aberto, como o Apache Spark e o Apache Hadoop. Você tem controle total sobre o tamanho do cluster, os tipos de máquina e a configuração.
- Jobs: um job é uma tarefa específica, como um script do PySpark ou uma consulta do Hadoop. Em vez de executar um job diretamente em um cluster, você o envia para o Serviço Gerenciado para Apache Spark, que gerencia a execução do job para você. É possível enviar vários jobs para o cluster.
- Modelos de fluxo de trabalho: um modelo de fluxo de trabalho é uma definição reutilizável que orquestra uma série de jobs (um fluxo de trabalho). Ele pode definir dependências entre jobs, por exemplo, para executar um job de machine learning somente depois que um job de limpeza de dados for concluído. O fluxo de trabalho com modelo pode ser executado em um cluster atual ou em um cluster temporário (efêmero) criado para executar o fluxo de trabalho e, em seguida, excluído após a conclusão do fluxo de trabalho. Você pode usar o modelo para executar o fluxo de trabalho definido sempre que necessário.
- Políticas de escalonamento automático: uma política de escalonamento automático contém regras que você define para adicionar ou remover máquinas de trabalho de um cluster com base na carga de trabalho do cluster para otimizar dinamicamente o custo e o desempenho do cluster.
Personalização do ambiente
O Serviço Gerenciado para Apache Spark em clusters oferece recursos e componentes de cluster que podem ser usados para personalizar o ambiente do aplicativo.
Notebooks e ambientes de desenvolvimento
Os notebooks e IDEs sem servidor do Serviço Gerenciado para Apache Spark estão vinculados a ambientes de desenvolvimento integrados em que é possível escrever e executar seu código.
- BigQuery Studio e Workbench: são ambientes unificados de análise e notebook. Eles permitem que você escreva código (por exemplo, em um notebook do Jupyter) e use um cluster do Serviço Gerenciado para Apache Spark ou uma sessão sem servidor como o poderoso mecanismo de back-end para executar seu código em grandes conjuntos de dados.
- Plug-in do JupyterLab do Serviço Gerenciado para Apache Spark: esse
JupyterLabextensionoficial atua como um painel de controle para o Serviço Gerenciado para Apache Spark sem servidor no ambiente do notebook. Ele simplifica seu fluxo de trabalho, permitindo que você navegue, crie e gerencie clusters e envie jobs sem precisar sair da interface do Jupyter. - Google Cloud Data Agent Kit: o Data Agent Kit permite que cientistas de dados, engenheiros e desenvolvedores gerenciem todo o ciclo de vida da carga de trabalho de dados no ambiente de desenvolvimento integrado. O Data Agent Kit oferece suporte ao Serviço Gerenciado para Apache Spark, permitindo que você desenvolva código, crie sessões interativas e crie pipelines diretamente do VS Code ou de uma CLI agêntica compatível.
- Conector Python do Serviço Gerenciado para Apache Spark Connect: essa biblioteca Python simplifica o processo de uso do Spark Connect com o Serviço Gerenciado para Apache Spark. Ele lida com a autenticação e a configuração de endpoints, facilitando a conexão do ambiente Python local, como um notebook ou ambiente de desenvolvimento integrado, a um cluster remoto do Serviço Gerenciado para Apache Spark para desenvolvimento interativo.