En esta página, se describe cómo crear un Dataproc. clúster que ejecuta Spark.
Descripción general
Creas un clúster después de que la instancia del servicio de Dataproc Metastore se asocie con el lake de Dataplex para garantizar que el clúster pueda depender del extremo de Hive Metastore para obtener acceso a los metadatos de Dataplex.
Se puede acceder a los metadatos administrados en Dataplex con interfaces estándar, como Hive Metastore, para potenciar las consultas de Spark. Las consultas se ejecutan en el clúster de Dataproc.
Para los datos de Parquet, establece la propiedad spark.sql.hive.convertMetastoreParquet
de Spark en false
para evitar errores de ejecución. Más detalles.
Crea un clúster de Dataproc
Ejecuta los siguientes comandos para crear un clúster de Dataproc: especificando el servicio de Dataproc Metastore asociado con el lake de Dataplex:
GRPC_ENDPOINT=$(gcloud metastore services describe SERVICE_ID \
--location LOCATION \
--format "value(endpointUri)" | cut -c9-)
WHDIR=$(gcloud metastore services describe SERVICE_ID \
--location LOCATION \
--format "value(hiveMetastoreConfig.configOverrides.'hive.metastore.warehouse.dir')")
METASTORE_VERSION=$(gcloud metastore services describe SERVICE_ID \
--location LOCATION \
--format "value(hiveMetastoreConfig.version)")
# This command creates a cluster with default settings. You can customize
# it as needed. The --optional-components, --initialization-actions,
# --metadata and --properties flags are used to to connect with
# the associated metastore.
gcloud dataproc clusters create CLUSTER_ID \
--project PROJECT \
--region LOCATION \
--scopes "https://www.googleapis.com/auth/cloud-platform" \
--image-version 2.0-debian10 \
--optional-components=DOCKER \
--initialization-actions "gs://metastore-init-actions/metastore-grpc-proxy/metastore-grpc-proxy.sh" \
--metadata "proxy-uri=$GRPC_ENDPOINT,hive-version=$METASTORE_VERSION" \
--properties "hive:hive.metastore.uris=thrift://localhost:9083,hive:hive.metastore.warehouse.dir=$WHDIR"
Explora los metadatos
Ejecutar consultas de DQL para explorar los metadatos y ejecutar consultas de Spark para consultar datos
Antes de comenzar
Abre una sesión de SSH en el nodo principal del clúster de Dataproc.
VM_ZONE=$(gcloud dataproc clusters describe CLUSTER_ID \ --project PROJECT \ --region LOCATION \ --format "value(config.gceClusterConfig.zoneUri)") gcloud compute ssh CLUSTER_ID-m --project PROJECT --zone $VM_ZONE
En el símbolo del sistema del nodo principal, abre una nueva REPL de Python.
python3
Enumerar bases de datos
Cada zona de Dataplex dentro del lake se asigna a una base de datos de metastore.
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("SHOW DATABASES")
df.show()
Enumerar tablas
Enumera las tablas de una de las zonas.
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("SHOW TABLES IN ZONE_ID")
df.show()
Consulta los datos
Consulta los datos de una de las tablas.
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
# Modify the SQL statement to retrieve or filter on table columns.
df = session.sql("SELECT COLUMNS FROM ZONE_ID.TABLE_ID WHERE QUERY LIMIT 10")
df.show()
Crea tablas y particiones en los metadatos
Ejecutar consultas de DDL para crear tablas y particiones en metadatos de Dataplex con Apache Spark
Para obtener más información sobre los tipos de datos, los formatos de archivo y los formatos de fila admitidos, consulta Valores admitidos.
Antes de comenzar
Antes de crear una tabla, crea un activo de Dataplex que se asigne al bucket de Cloud Storage que contiene los datos subyacentes. Para obtener más información, consulta Cómo agregar un recurso.
Crea una tabla
Se admiten las tablas Parquet, ORC, AVRO, CSV y JSON.
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("CREATE TABLE ZONE_ID.TABLE_ID (COLUMNS DATA_TYPE) PARTITIONED BY (COLUMN) STORED AS FILE_FORMAT ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LOCATION 'gs://MY_GCP_BUCKET/TABLE_LOCATION' TBLPROPERTIES('dataplex.entity.partition_style' = 'HIVE_COMPATIBLE')")
df.show()
Cómo alterar una tabla
Dataplex no te permite modificar la ubicación de una tabla ni editar
columnas de partición para una tabla. Al modificar una tabla, no se establece automáticamente
userManaged
a true
.
En Spark SQL, puedes cambiar el nombre de una tabla, agregar columnas, y establece el formato de archivo de una tabla.
Cambia el nombre de una tabla
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("ALTER TABLE OLD_TABLE_NAME RENAME TO NEW_TABLE_NAME")
df.show()
Agregar columnas
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("ALTER TABLE TABLE_NAME ADD COLUMN (COLUMN_NAME DATA_TYPE"))
df.show()
Establece el formato de archivo
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("ALTER TABLE TABLE_NAME SET FILEFORMAT FILE_FORMAT")
df.show()
Cómo eliminar una tabla
Eliminar una tabla de la API de metadatos de Dataplex no borra los datos subyacentes en Cloud Storage.
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("DROP TABLE ZONE_ID.TABLE_ID")
df.show()
Cómo agregar una partición
Dataplex no permite alterar una partición una vez creada. Sin embargo, la partición se puede descartar.
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("ALTER TABLE ZONE_ID.TABLE_ID ADD PARTITION (COLUMN1=VALUE1) PARTITION (COLUMN2=VALUE2)")
df.show()
Puedes agregar varias particiones de la misma clave de partición y valores de partición diferentes, como se muestra en el ejemplo anterior.
Cómo soltar una partición
Para soltar una partición, ejecuta el siguiente comando:
import pyspark.sql as sql
session = sql.SparkSession.builder.enableHiveSupport().getOrCreate()
df = session.sql("ALTER TABLE ZONE_ID.TABLE_ID DROP PARTITION (COLUMN=VALUE)")
df.show()
Consultar tablas de Iceberg
Puedes consultar tablas de Iceberg con Apache Spark.
Antes de comenzar
Configurar una sesión de Spark SQL con Iceberg
spark-sql --packages org.apache.iceberg:iceberg-spark-runtime-3.1_2.12:0.13.1 --conf
spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions --conf
spark.sql.catalog.spark_catalog=org.apache.iceberg.spark.SparkSessionCatalog --conf
spark.sql.catalog.spark_catalog.type=hive --conf
spark.sql.catalog.local=org.apache.iceberg.spark.SparkCatalog --conf
spark.sql.catalog.local.type=hadoop --conf
spark.sql.catalog.local.warehouse=$PWD/warehouse
Crea una tabla de Iceberg
Para crear una tabla de Iceberg, ejecuta el siguiente comando:
CREATE TABLE ZONE_ID.TABLE_ID (COLUMNS DATA_TYPE) USING ICEBERG PARTITIONED BY (COLUMN) LOCATION 'gs://MY_GCP_BUCKET/TABLE_ID' TBLPROPERTIES ('write.format.default' = 'TABLE_FORMAT');
Explora el historial y la instantánea de Iceberg
Puedes obtener instantáneas y el historial de las tablas de Iceberg con Apache Spark.
Antes de comenzar
Configura una sesión de PySpark compatible con Iceberg.
pyspark --packages org.apache.iceberg:iceberg-spark-runtime-3.1_2.12:0.14.1 --conf
spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions --conf
spark.sql.catalog.spark_catalog=org.apache.iceberg.spark.SparkSessionCatalog --conf
spark.sql.catalog.spark_catalog.type=hive --conf
spark.sql.catalog.local=org.apache.iceberg.spark.SparkCatalog --conf
spark.sql.catalog.local.type=hadoop --conf
spark.sql.catalog.local.warehouse=$PWD/warehouse
Obtén el historial de las tablas de Iceberg
Para obtener el historial de una tabla de Iceberg, ejecuta el siguiente comando:
spark.read.format("iceberg").load("ZONE_ID.TABLE_ID.history").show(truncate=False)
Obtener instantáneas de las tablas de Iceberg
Para obtener una instantánea de una tabla de Iceberg, ejecuta el siguiente comando:
spark.read.format("iceberg").load("ZONE_ID.TABLE_ID.snapshots").show(truncate=False, vertical=True)
Tipos de datos y formatos de archivo admitidos
Los tipos de datos admitidos se definen de la siguiente manera:
Tipo de datos | Valores |
---|---|
Básico |
|
Array | ARRAY < DATA_TYPE > |
Estructura | STRUCT < COLUMN : DATA_TYPE > |
Los formatos de archivo admitidos se definen de la siguiente manera:
TEXTFILE
ORC
PARQUET
AVRO
JSONFILE
Para obtener más información sobre los formatos de archivo, consulta Formatos de almacenamiento.
Los formatos de fila admitidos se definen de la siguiente manera:
- DELIMITADOS [CAMPOS FINALIZADOS POR EL CHAR]
- SERDE SERDE_NAME [WITH SERDEPROPERTIES (PROPERTY_NAME=PROPERTY_VALUE, PROPERTY_NAME=PROPERTY_VALUE, ...)]
Próximos pasos
- Obtén más información para administrar metadatos.