Utiliser le connecteur BigQuery avec Dataproc sans serveur pour Spark

Utilisez le connecteur spark-bigquery avec Apache Spark pour lire et écrire des données depuis et vers BigQuery. Ce tutoriel présente une application PySpark qui utilise spark-bigquery-connector.

Utiliser le connecteur BigQuery avec votre charge de travail

Consultez la page Versions d'exécution Dataproc sans serveur pour Spark pour déterminer la version du connecteur BigQuery installée dans la version d'exécution de votre charge de travail par lot. Si le connecteur n'est pas listé, consultez la section suivante pour savoir comment le rendre disponible pour les applications.

Utiliser le connecteur avec la version d'exécution Spark 2.0

Le connecteur BigQuery n'est pas installé dans l'environnement d'exécution Spark 2.0. Lorsque vous utilisez la version 2.0 de l'environnement d'exécution Spark, vous pouvez mettre le connecteur à la disposition de votre application de l'une des manières suivantes:

  • Utilisez le paramètre jars pour faire référence à un fichier JAR de connecteur lorsque vous envoyez votre charge de travail par lot Dataproc sans serveur pour Spark. L'exemple suivant spécifie un fichier JAR de connecteur (consultez le dépôt GoogleCloudDataproc/spark-bigquery-connector sur GitHub pour obtenir la liste des fichiers JAR de connecteur disponibles).
    • Exemple de Google Cloud CLI: 
      gcloud dataproc batches submit pyspark \
    --region=region \
    --jars=gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.13-version.jar \
    ... other args
  • Incluez le fichier JAR du connecteur dans votre application Spark en tant que dépendance (consultez la section Compiler sur le connecteur).

Calculer les coûts

Ce tutoriel utilise des composants facturables de Google Cloud, dont :

  • Dataproc sans serveur
  • BigQuery
  • Cloud Storage

Utilisez le Simulateur de coût pour générer une estimation des coûts en fonction de votre utilisation prévue. Les nouveaux utilisateurs de Cloud Platform peuvent bénéficier d'un essai gratuit.

E/S BigQuery

Cet exemple lit les données de BigQuery dans un DataFrame Spark pour effectuer un décompte de mots à l'aide de l'API de source de données standard.

Le connecteur écrit le résultat du nombre de mots dans BigQuery comme suit:

  1. Mettre en mémoire tampon les données dans des fichiers temporaires de votre bucket Cloud Storage

  2. Copier les données en une seule opération depuis votre bucket Cloud Storage vers BigQuery

  3. Suppression des fichiers temporaires dans Cloud Storage une fois l'opération de chargement BigQuery terminée (les fichiers temporaires sont également supprimés une fois l'application Spark terminée). Si la suppression échoue, vous devrez supprimer tous les fichiers Cloud Storage temporaires indésirables, qui sont généralement placés dans gs://YOUR_BUCKET/.spark-bigquery-JOB_ID-UUID.

Configurer la facturation

Par défaut, le projet associé aux identifiants ou au compte de service est facturé pour l'utilisation de l'API. Pour facturer un autre projet, définissez la configuration suivante : spark.conf.set("parentProject", "<BILLED-GCP-PROJECT>").

Vous pouvez également ajouter à une opération de lecture ou d'écriture, comme suit : .option("parentProject", "<BILLED-GCP-PROJECT>").

Envoyer une charge de travail par lot de décompte de mots PySpark

Exécuter une charge de travail par lot Spark qui compte le nombre de mots dans un ensemble de données public

  1. Ouvrez un terminal local ou Cloud Shell.
  2. Créez le wordcount_dataset avec l'outil de ligne de commande bq dans un terminal local ou dans Cloud Shell. 
    bq mk wordcount_dataset
  3. Créez un bucket Cloud Storage avec la Google Cloud CLI. 
    gcloud storage buckets create gs://YOUR_BUCKET
    Remplacez YOUR_BUCKET par le nom du bucket Cloud Storage que vous avez créé.
  4. Créez le fichier wordcount.py en local dans un éditeur de texte en copiant le code PySpark suivant. 
    #!/usr/bin/python
"""BigQuery I/O PySpark example."""
from pyspark.sql import SparkSession

spark = SparkSession \
  .builder \
  .appName('spark-bigquery-demo') \
  .getOrCreate()

# Use the Cloud Storage bucket for temporary BigQuery export data used
# by the connector.
bucket = "YOUR_BUCKET"
spark.conf.set('temporaryGcsBucket', bucket)

# Load data from BigQuery.
words = spark.read.format('bigquery') \
  .option('table', 'bigquery-public-data:samples.shakespeare') \
  .load()
words.createOrReplaceTempView('words')

# Perform word count.
word_count = spark.sql(
    'SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word')
word_count.show()
word_count.printSchema()

# Saving the data to BigQuery
word_count.write.format('bigquery') \
  .option('table', 'wordcount_dataset.wordcount_output') \
  .save()
  5. Envoyez la charge de travail par lot PySpark: 
    gcloud dataproc batches submit pyspark wordcount.py \
    --region=REGION \
    --deps-bucket=YOUR_BUCKET
    Exemple de sortie du terminal: 
    ...
+---------+----------+
|     word|word_count|
+---------+----------+
|     XVII|         2|
|    spoil|        28|
|    Drink|         7|
|forgetful|         5|
|   Cannot|        46|
|    cures|        10|
|   harder|        13|
|  tresses|         3|
|      few|        62|
|  steel'd|         5|
| tripping|         7|
|   travel|        35|
|   ransom|        55|
|     hope|       366|
|       By|       816|
|     some|      1169|
|    those|       508|
|    still|       567|
|      art|       893|
|    feign|        10|
+---------+----------+
only showing top 20 rows

root
 |-- word: string (nullable = false)
 |-- word_count: long (nullable = true)

    Pour prévisualiser la table de sortie dans la console Google Cloud, ouvrez la page BigQuery de votre projet, sélectionnez la table wordcount_output, puis cliquez sur Aperçu.

Pour en savoir plus