Utiliser le connecteur BigQuery avec Dataproc sans serveur pour Spark

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

Utiliser le connecteur BigQuery avec votre charge de travail

Consultez la page Dataproc sans serveur pour les versions de l'environnement d'exécution Spark. pour déterminer la version du connecteur BigQuery qui est installée 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 2.0 de Spark

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

  • Utilisez le paramètre jars pour faire pointer vers 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 :

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

  2. Copier les données de votre bucket Cloud Storage en une seule opération 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-jobid-UUID.

Configurer la facturation

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

Le projet à facturer peut également être défini au niveau des opérations de lecture/écriture, comme ceci : .option("parentProject", "<BILLED-GCP-PROJECT>").

Envoyer une charge de travail par lot PySpark pour le nombre de mots

  1. Créer le wordcount_dataset avec l'outil de ligne de commande bq dans un terminal local ou dans Cloud Shell :
    bq mk wordcount_dataset
    
  2. Créez un bucket Cloud Storage avec Google Cloud CLI dans un environnement dans un terminal ou dans Cloud Shell :
    gcloud storage buckets create gs://your-bucket
    
  3. Examinez le code.
    #!/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. Créer wordcount.py localement dans un éditeur de texte en le copiant le code PySpark Liste de code PySpark, remplacez la espace réservé [your-bucket] avec le nom du bucket Cloud Storage que vous avez créé.
  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 le fichier BigQuery sélectionnez le tableau wordcount_output, puis cliquez sur Aperçu.

Pour en savoir plus