Langsung ke konten utama
Dokumentasi
close
Mulai
Mulai Menggunakan Google Cloud
Daftar Produk
Cloud Customer Care
Produk Unggulan
Agent Platform
Pengelolaan API Apigee
BigQuery
Compute Engine
Cloud CDN
Cloud Run
Cloud Storage
Cloud SQL
Gemini Enterprise
Google Kubernetes Engine
Looker
Alat Lintas Produk
Pengelolaan akses dan resource
Pengelolaan biaya dan penggunaan
Infrastruktur sebagai kode
SDK, bahasa, framework, dan alat
Area Teknologi
AI dan ML
Pengembangan aplikasi
Hosting aplikasi
Compute
Pipeline dan analisis data
Database
Terdistribusi, hybrid, dan multicloud
Solusi industri
Migrasi
Jaringan
Kemampuan observasi dan pemantauan
Keamanan
Storage
/
Konsol
English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어
Masuk
Managed Service for Apache Spark
Mulai gratis
Ringkasan
Panduan
Referensi
Contoh
Referensi
Dokumentasi
Lainnya
Ringkasan
Panduan
Referensi
Contoh
Referensi
Konsol
Ringkasan
Konsep Utama
Managed Service untuk Apache Spark serverless
Ringkasan
Paket serverless Managed Service untuk Apache Spark
Managed Service untuk Apache Spark di cluster
Membandingkan deployment serverless dan cluster
Managed Service untuk Apache Spark di GKE
Mulai
Serverless
Membuat workload batch serverless Spark
Cluster
Membuat cluster
Mengirimkan tugas Spark ke cluster
Tutorial Spark
Menggunakan Gemini untuk mengembangkan aplikasi Spark
Menganalisis set data publik dengan Spark
Analisis sentimen dengan Spark MLlib
GKE
Menjalankan tugas Spark di Kubernetes
Mengembangkan aplikasi
Serverless
Mengonfigurasi serverless
Menggunakan container kustom
Menggunakan GPU
Menggunakan Dynamic Workload Scheduler
Konfigurasi jaringan
Versi runtime Spark
Ringkasan
Versi runtime Spark 3.0
Versi runtime Spark 2.3
Versi runtime Spark 2.2
Versi runtime Spark 1.2
Akun layanan
Properti Spark
Bucket staging
Membuat workload dan sesi batch
Membuat workload batch serverless Spark
Membuat sesi interaktif serverless dan template sesi
Menggunakan klien Spark Connect serverless
Menggunakan JupyterLab untuk sesi notebook dan batch serverless
Menggunakan template serverless
Ringkasan
Cloud Spanner ke Cloud Storage
Cloud Storage ke BigQuery
Cloud Storage ke Cloud Spanner
Cloud Storage ke Cloud Storage
Cloud Storage ke JDBC
Hive ke BigQuery
Beralih ke Cloud Storage
JDBC ke BigQuery
JDBC ke Cloud Spanner
JDBC ke Cloud Storage
JDBC ke JDBC
Pub/Sub ke Cloud Storage
Membuat tabel Apache Iceberg dengan metadata di katalog runtime Lakehouse
Mentransformasi data dan menulis ke Apache Iceberg
Menggunakan konektor BigQuery dengan Spark
Ringkasan
Membuat kueri tabel BigQuery
Menjalankan kode PySpark di notebook BigQuery Studio
Optimalkan
Melakukan penskalaan otomatis resource workload
Menyesuaikan workload Spark secara otomatis
Menggunakan Lightning Engine
Mempercepat workload dan sesi batch dengan Lightning Engine
Menjalankan alat kualifikasi Eksekusi Kueri Native
Akselerator solusi Serverless Spark
Cluster
