Documentação do Serviço Gerenciado para Apache Spark

O Serviço Gerenciado para Apache Spark em clusters permite aproveitar ferramentas de dados de código aberto para processamento em lote, consultas, streaming e machine learning. A automação do Serviço Gerenciado para Apache Spark facilita a criação e o gerenciamento de clusters além de gerar economias, porque permite desativar os clusters que não estão em uso. Com menos tempo e dinheiro gastos com administração, você pode se concentrar nos jobs e dados.

Use o Serviço Gerenciado para Apache Spark sem servidor para executar cargas de trabalho em lote do Spark sem provisionar nem gerenciar o próprio cluster. Especifique os parâmetros da carga de trabalho e envie-a para o Serviço Gerenciado para Apache Spark. O serviço executará a carga de trabalho em uma infraestrutura de computação gerenciada, fazendo o escalonamento automático dos recursos conforme necessário. As cobranças do Serviço Gerenciado para Apache Spark se aplicam somente ao momento em que a carga de trabalho está em execução.

Acesse a página do produto Serviço Gerenciado para Apache Spark para mais informações.

Os novos usuários do Google Cloud recebem US$ 300 em créditos ao se inscreverem pela primeira vez.此外,无论新老用户,均可免费使用20多款产品,积累动手实践经验。

Os novos usuários do Google Cloud recebem US$ 300 em créditos ao se inscreverem pela primeira vez.此外,无论新老用户,均可免费使用20多款产品,积累动手实践经验。

Entenda o treinamento autoguiado, os casos de uso, as arquiteturas de referência e os exemplos de código sobre como usar e conectar serviços do Google Cloud .
Tutorial
Treinamento e tutoriais

Envie jobs do Spark para um cluster do Google Kubernetes Engine em execução na API Dataproc Jobs.

Treinamento
Treinamento e tutoriais

Este curso apresenta uma combinação de palestras, demonstrações e laboratórios práticos para criar um cluster do Dataproc, enviar um job do Spark e, em seguida, encerrar o cluster.

Treinamento
Treinamento e tutoriais

Este curso apresenta uma combinação de palestras, demonstrações e laboratórios práticos para implementar a regressão logística usando uma biblioteca de machine learning do Apache Spark em um cluster do Dataproc para desenvolver um modelo com dados de um conjunto de dados multivariável.

Soluções
Casos de uso

Programe fluxos de trabalho no Google Cloud.

Caso de uso
Casos de uso

Como mover dados de sistemas de arquivos distribuídos Hadoop (HDFS) locais para o Google Cloud.

Prática recomendada
Casos de uso

Abordagens recomendadas para incluir dependências ao enviar um job do Spark para um cluster do Serviço Gerenciado para Apache Spark.

Exemplo de código
Exemplos de código

Chamar APIs do Dataproc no Python.

Exemplo de código
Exemplos de código

Chamar APIs do Dataproc em Java.

Exemplo de código
Exemplos de código

Chamar APIs do Dataproc no Node.js.

Exemplo de código
Exemplos de código

Chamar APIs do Dataproc no Go.

Vídeos relacionados