Anexar um cluster do Dataproc ou autogerenciado

Depois de criar um serviço do metastore do Dataproc, anexe um dos seguintes:

Depois de conectar um desses serviços, ele usa o serviço do Dataproc Metastore como o metastore do Hive durante a execução da consulta.

Antes de começar

Papéis necessários

Para receber as permissões necessárias para criar uma metastore e um cluster do Dataproc, peça ao administrador para conceder a você os seguintes papéis do IAM:

Para mais informações sobre a concessão de papéis, consulte Gerenciar o acesso a projetos, pastas e organizações.

Esses papéis predefinidos contêm as permissões necessárias para criar uma metastore e um cluster do Dataproc. Para conferir as permissões exatas necessárias, expanda a seção Permissões necessárias:

Permissões necessárias

As seguintes permissões são necessárias para criar um Dataproc Metastore e um cluster do Dataproc:

  • Para criar um metastore do Dataproc: metastore.services.create na conta de usuário ou de serviço
  • Para criar um cluster do Dataproc: dataproc.clusters.create na conta de usuário ou de serviço
  • Para acessar o diretório de armazenamento do Hive: orgpolicy.policy.get1,resourcemanager.projects.get,resourcemanager.projects.list,storage.objects.*,storage.multipartUploads.* na conta de serviço da VM do Dataproc

Essas permissões também podem ser concedidas com funções personalizadas ou outros papéis predefinidos.

Para mais informações sobre papéis e permissões específicos do Dataproc Metastore, consulte Gerenciar o acesso com o IAM.

Clusters do Dataproc

O Dataproc é um serviço gerenciado do Apache Spark e do Apache Hadoop que permite usar ferramentas de dados de código aberto para processamento em lote, consultas, streaming e machine learning.

Considerações

Antes de criar e anexar um cluster do Dataproc, verifique qual protocolo de endpoint o serviço do metastore do Dataproc está usando. Esse protocolo define como os clientes do metastore do Hive acessam os metadados armazenados no metastore do Dataproc. Essa escolha também pode afetar os recursos que você pode integrar e usar com seu serviço.

Apache Thrift

Se você usar o protocolo de endpoint Apache Thrift, considere os seguintes requisitos de rede:

  • Por padrão, crie o cluster do Dataproc e o serviço do Metastore do Dataproc na mesma rede. Seu cluster do Dataproc também pode usar uma sub-rede da rede do serviço do metastore do Dataproc.

  • Se o cluster do Dataproc pertencer a um projeto diferente da rede, será necessário configurar permissões de rede compartilhadas.

  • Se o cluster do Dataproc pertencer a um projeto diferente do serviço do metastore do Dataproc, será necessário configurar permissões adicionais antes de criar um cluster do Dataproc.

gRPC

Se você usar o protocolo de endpoint gRPC, considere os seguintes requisitos de rede:

Criar um cluster e anexar um Metastore do Dataproc

As instruções a seguir mostram como criar um cluster do Dataproc e se conectar a ele usando um serviço do metastore do Dataproc. Estas instruções presumem que você já criou um serviço do Dataproc Metastore.

  • Antes de criar o cluster do Dataproc, verifique se a imagem do Dataproc escolhida é compatível com a versão do metastore do Hive selecionada ao criar o Metastore do Dataproc. Para mais informações, consulte a Lista de versões de imagem do Dataproc.

  • Para otimizar a conectividade de rede, crie o cluster do Dataproc na mesma região do serviço do metastore do Dataproc.

Console

  1. No console do Google Cloud, abra a página Criar um cluster do Dataproc:

    Abra Criar um cluster.

  2. No campo Nome do cluster, insira um nome para o cluster.

  3. Nos menus Região e Zona, selecione a mesma região em que você criou o serviço Metastore do Dataproc. Você pode escolher qualquer zona.

  4. Clique na guia Personalizar cluster.

  5. Na seção Configuração de rede, selecione a mesma rede em que você criou o serviço Metastore do Dataproc.

  6. Na seção Metastore do Dataproc, selecione o serviço da Metastore do Dataproc que você quer vincular. Se você ainda não criou um, selecione Criar novo serviço.

  7. Opcional: se o serviço do Dataproc Metastore usa o protocolo de endpoint gRPC:

    1. Clique na guia Gerenciar segurança.
    2. Na seção Acesso ao projeto, selecione Ativa o escopo da plataforma de nuvem para este cluster.

  8. Configure as outras opções de serviço conforme necessário.

  9. Para criar o cluster, clique em Criar.

    O novo cluster aparecerá na lista de clusters. O status do cluster é listado como Provisionamento até que ele esteja pronto para uso. Quando estiver pronto para uso, o status mudará para Running.

CLI da gcloud

Para criar um cluster e anexar um metastore do Dataproc, execute o seguinte comando gcloud dataproc clusters create:

gcloud dataproc clusters create CLUSTER_NAME \
    --dataproc-metastore=projects/PROJECT_ID/locations/LOCATION/services/SERVICE \
    --region=LOCATION \
    --scopes=SCOPES

Substitua:

  • CLUSTER_NAME: o nome do novo cluster do Dataproc.
  • PROJECT_ID: o ID do projeto em que você criou o serviço do Dataproc Metastore.
  • LOCATION: a mesma região em que você criou o serviço Metastore do Dataproc.
  • SERVICE: o nome do serviço do Metastore do Dataproc que você está anexando ao cluster.
  • SCOPES: (opcional) se o serviço do metastore do Dataproc usar o protocolo de endpoint gRPC, use cloud-platform.

REST

Siga as instruções da API para criar um cluster usando o APIs Explorer.

Anexar um cluster usando as propriedades do cluster do Dataproc

Também é possível anexar um cluster do Dataproc a um metastore do Dataproc usando as propriedades do Dataproc. Essas propriedades incluem ENDPOINT_URI e WAREHOUSE_DIR do metastore do Dataproc.

Siga estas instruções se o serviço do metastore do Dataproc usar o Private Service Connect ou se você quiser anexar um cluster do Dataproc à versão auxiliar do serviço do metastore do Dataproc.

Há duas maneiras de anexar um cluster do Dataproc usando as propriedades ENDPOINT_URI e WAREHOUSE_DIR:

Opção 1: ao criar um cluster do Dataproc

Ao criar um cluster do Dataproc, use a flag properties com a seguinte configuração do Hive.

gcloud dataproc clusters create CLUSTER_NAME \
     --properties="hive:hive.metastore.uris=ENDPOINT_URI,hive:hive.metastore.warehouse.dir=WAREHOUSE_DIR/hive-warehouse"

Substitua:

Opção 2: atualizar o arquivo hive-site.xml

Também é possível anexar um cluster do Dataproc modificando diretamente o arquivo hive-site.xml dele.

  1. Conecte-se ao cluster .*-m usando SSH.

  2. Abra o arquivo /etc/hive/conf/hive-site.xml e modifique as seguintes linhas:

    <property>
   <name>hive.metastore.uris</name>
   <!-- Update this value. -->
   <value>ENDPOINT_URI</value>
</property>
<!-- Add this property entry. -->
<property>
   <name>hive.metastore.warehouse.dir</name>
   <value>WAREHOUSE_DIR</value>
</property>

    Substitua:

  3. Reinicie o HiveServer2:

    sudo systemctl restart hive-server2.service

Clusters autogerenciados

Um cluster autogerenciado pode ser uma instância do Apache Hive, uma instância do Apache Spark ou um cluster do Presto.

Anexar um cluster autogerenciado

Defina os seguintes valores no arquivo de configuração do cliente:

hive.metastore.uris=ENDPOINT_URI
hive.metastore.warehouse.dir=WAREHOUSE_DIR

Substitua:

A seguir