Usar el conector de BigQuery con Dataproc Serverless para Spark

Usa el conector spark-bigquery-connector con Apache Spark para leer y escribir datos desde y hacia BigQuery. En este instructivo, se muestra una aplicación PySpark que usa la spark-bigquery-connector.

Usa el conector de BigQuery con tu carga de trabajo

Consulta Dataproc Serverless para versiones del entorno de ejecución de Spark para determinar la versión del conector de BigQuery que se instaló la versión del entorno de ejecución de la carga de trabajo por lotes. Si el conector no aparece en la lista, consulta la siguiente sección para obtener instrucciones sobre cómo hacer que el conector esté disponible para aplicaciones.

Cómo usar el conector con la versión 2.0 del entorno de ejecución de Spark

El conector de BigQuery no está instalado en la versión 2.0 del entorno de ejecución de Spark. Al usar Entorno de ejecución de Spark versión 2.0, puedes hacer que el conector esté disponible para tu aplicación de una de las siguientes maneras:

  • Usa el parámetro jars para apuntar a un archivo JAR del conector cuando envías tu carga de trabajo por lotes de Dataproc Serverless para Spark El siguiente ejemplo especifica un archivo jar del conector (consulta el GoogleCloudDataproc/spark-bigquery-connector en GitHub para obtener una lista de los archivos jar del conector disponibles).
    • Ejemplo 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
  • Incluye el archivo jar del conector en tu aplicación Spark como una dependencia. (consulta Compilar con el conector)

Calcula los costos

En este instructivo, se usan componentes facturables de Google Cloud, que incluyen lo siguiente:

  • Dataproc sin servidores
  • BigQuery
  • Cloud Storage

Usa la calculadora de precios para generar una estimación de los costos según el uso previsto. Los usuarios nuevos de Cloud Platform podrían ser aptos para una prueba gratuita.

BigQuery E/S

Este ejemplo lee los datos de BigQuery en un DataFrame de Spark para realizar un recuento de palabras mediante la API de fuente de datos estándar.

El conector escribe el resultado del recuento de palabras en BigQuery de la siguiente manera:

  1. Almacenar los datos en archivos temporales de tu bucket de Cloud Storage

  2. Copiar los datos de una operación desde tu bucket de Cloud Storage en BigQuery

  3. Borrar los archivos temporales en Cloud Storage después BigQuery se completa la operación de carga (los archivos temporales también se borran después de finaliza la aplicación Spark). Si la eliminación falla, deberás borrar cualquier archivo temporal no deseado de Cloud Storage, que por lo general se ubica en gs://your-bucket/.spark-bigquery-jobid-UUID.

Configurar la facturación

De forma predeterminada, el proyecto asociado con las credenciales o la cuenta de servicio se factura por el uso de la API. Para facturar un proyecto diferente, establece la siguiente configuración: spark.conf.set("parentProject", "<BILLED-GCP-PROJECT>").

También se puede agregar a una operación de lectura o escritura, de la siguiente manera: .option("parentProject", "<BILLED-GCP-PROJECT>").

Envía una carga de trabajo por lotes de recuento de palabras de PySpark

  1. Crea el wordcount_dataset con la herramienta de línea de comandos de bq en una terminal local o en Cloud Shell. 
    bq mk wordcount_dataset
  2. Crea un bucket de Cloud Storage con el Google Cloud CLI en un entorno local terminal o en Cloud Shell. 
    gcloud storage buckets create gs://your-bucket
  3. Examina el código. 
    #!/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-name]"
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()
  4. Copia el elemento wordcount.py de forma local en un editor de texto el código de PySpark desde Lista de código de PySpark, reemplaza el [your-bucket] con el nombre del bucket de Cloud Storage que creaste.
  5. Envía la carga de trabajo por lotes de PySpark: 
    gcloud dataproc batches submit pyspark wordcount.py \
    --region=region \
    --deps-bucket=your-bucket
    Resultado de la terminal de muestra: 
    ...
+---------+----------+
|     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)

    Para obtener una vista previa de la tabla de salida en la consola de Google Cloud, abre la pestaña BigQuery selecciona la tabla wordcount_output y, luego, haz clic Vista previa.

Más información