Modello Hive to BigQuery
Utilizza il modello Dataproc Serverless Hive to BigQuery per estrarre i dati da Hive a BigQuery.
Utilizzare il modello
Esegui il modello utilizzando l'interfaccia a riga di comando gcloud o l'API Dataproc.
Prima di utilizzare i dati dei comandi riportati di seguito, effettua le seguenti sostituzioni:
PROJECT_ID : obbligatorio. Il tuo Google Cloud ID progetto elencato nelle Impostazioni IAM.REGION : obbligatorio. Regione Compute Engine.TEMPLATE_VERSION : obbligatorio. Specificalatest
per la versione del modello più recente o la data di una versione specifica, ad esempio2023-03-17_v0.1.0-beta
(visita gs://dataproc-templates-binaries o eseguigcloud storage ls gs://dataproc-templates-binaries
per elencare le versioni del modello disponibili).SUBNET : facoltativo. Se non viene specificata una subnet, viene selezionata la subnet nella REGIONE specificata nella retedefault
.Esempio:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
HOST ePORT : obbligatori. Nome host o indirizzo IP e porta dell'host del database Hive di origine.Esempio:
10.0.0.33:9083
DATASET : obbligatorio. Nome del set di dati di output BigQuery.TABLE : obbligatorio. Nome della tabella di output BigQuery.QUERY : obbligatorio. Query per l'estrazione di dati da Hive.TEMP_BUCKET : obbligatorio. Nome del bucket Cloud Storage (specifica solo il nome del bucket). Questo bucket viene utilizzato per il caricamento di BigQuery.MODE : obbligatorio. Modalità di scrittura per l'output BigQuery. Opzioni:Append
,Overwrite
,Ignore
oErrorIfExists
.TEMPVIEW eTEMPVIEW_SQL_QUERY : facoltativi. Puoi utilizzare questi due parametri facoltativi per applicare una trasformazione Spark SQL durante il caricamento dei dati in BigQuery. TEMPVIEW è il nome della visualizzazione temporanea e TEMPVIEW_SQL_QUERY è l'istruzione di query. TEMPVIEW e il nome della tabella in TEMPVIEW_SQL_QUERY devono corrispondere.SERVICE_ACCOUNT : facoltativo. Se non viene specificato, viene utilizzato l'account di servizio Compute Engine predefinito.PROPERTY ePROPERTY_VALUE : facoltativo. Elenco separato da virgole di coppie Proprietà Spark=value
.LABEL eLABEL_VALUE : facoltativo. Elenco separato da virgole di coppielabel
=value
.LOG_LEVEL : facoltativo. Livello di registrazione. Può essere uno dei seguenti valori:ALL
,DEBUG
,ERROR
,FATAL
,INFO
,OFF
,TRACE
oWARN
. Valore predefinito:INFO
.-
KMS_KEY : facoltativo. Cloud Key Management Service da utilizzare per la crittografia. Se non viene specificata una chiave, i dati vengono criptati at-rest utilizzando un Google-owned and Google-managed encryption key.Esempio:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
Esegui il seguente comando:
Linux, macOS o Cloud Shell
gcloud dataproc batches submit spark \ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate \ --version="1.2" \ --project="PROJECT_ID " \ --region="REGION " \ --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" \ --subnet="SUBNET " \ --service-account="SERVICE_ACCOUNT " \ --properties="spark.hadoop.hive.metastore.uris=thrift://HOST :PORT ,PROPERTY =PROPERTY_VALUE " \ --kms-key="KMS_KEY " \ --labels="LABEL =LABEL_VALUE " \ -- --template HIVETOBIGQUERY \ --templateProperty log.level="LOG_LEVEL " \ --templateProperty hivetobq.bigquery.location="PROJECT_ID .DATASET .TABLE " \ --templateProperty hivetobq.sql="QUERY " \ --templateProperty hivetobq.temp.gcs.bucket="TEMP_BUCKET " \ --templateProperty hivetobq.write.mode="MODE " \ --templateProperty hivetobq.temp.table="TEMPVIEW " \ --templateProperty hivetobq.temp.query="TEMPVIEW_SQL_QUERY "
Windows (PowerShell)
gcloud dataproc batches submit spark ` --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ` --version="1.2" ` --project="PROJECT_ID " ` --region="REGION " ` --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" ` --subnet="SUBNET " ` --service-account="SERVICE_ACCOUNT " ` --properties="spark.hadoop.hive.metastore.uris=thrift://HOST :PORT ,PROPERTY =PROPERTY_VALUE " ` --kms-key="KMS_KEY " ` --labels="LABEL =LABEL_VALUE " ` -- --template HIVETOBIGQUERY ` --templateProperty log.level="LOG_LEVEL " ` --templateProperty hivetobq.bigquery.location="PROJECT_ID .DATASET .TABLE " ` --templateProperty hivetobq.sql="QUERY " ` --templateProperty hivetobq.temp.gcs.bucket="TEMP_BUCKET " ` --templateProperty hivetobq.write.mode="MODE " ` --templateProperty hivetobq.temp.table="TEMPVIEW " ` --templateProperty hivetobq.temp.query="TEMPVIEW_SQL_QUERY "
Windows (cmd.exe)
gcloud dataproc batches submit spark ^ --class=com.google.cloud.dataproc.templates.main.DataProcTemplate ^ --version="1.2" ^ --project="PROJECT_ID " ^ --region="REGION " ^ --jars="gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" ^ --subnet="SUBNET " ^ --service-account="SERVICE_ACCOUNT " ^ --properties="spark.hadoop.hive.metastore.uris=thrift://HOST :PORT ,PROPERTY =PROPERTY_VALUE " ^ --kms-key="KMS_KEY " ^ --labels="LABEL =LABEL_VALUE " ^ -- --template HIVETOBIGQUERY ^ --templateProperty log.level="LOG_LEVEL " ^ --templateProperty hivetobq.bigquery.location="PROJECT_ID .DATASET .TABLE " ^ --templateProperty hivetobq.sql="QUERY " ^ --templateProperty hivetobq.temp.gcs.bucket="TEMP_BUCKET " ^ --templateProperty hivetobq.write.mode="MODE " ^ --templateProperty hivetobq.temp.table="TEMPVIEW " ^ --templateProperty hivetobq.temp.query="TEMPVIEW_SQL_QUERY "
Prima di utilizzare i dati della richiesta, apporta le seguenti sostituzioni:
PROJECT_ID : obbligatorio. Il tuo Google Cloud ID progetto elencato nelle Impostazioni IAM.REGION : obbligatorio. Regione Compute Engine.TEMPLATE_VERSION : obbligatorio. Specificalatest
per la versione del modello più recente o la data di una versione specifica, ad esempio2023-03-17_v0.1.0-beta
(visita gs://dataproc-templates-binaries o eseguigcloud storage ls gs://dataproc-templates-binaries
per elencare le versioni del modello disponibili).SUBNET : facoltativo. Se non viene specificata una subnet, viene selezionata la subnet nella REGIONE specificata nella retedefault
.Esempio:
projects/PROJECT_ID/regions/REGION/subnetworks/SUBNET_NAME
HOST ePORT : obbligatori. Nome host o indirizzo IP e porta dell'host del database Hive di origine.Esempio:
10.0.0.33:9083
DATASET : obbligatorio. Nome del set di dati di output BigQuery.TABLE : obbligatorio. Nome della tabella di output BigQuery.QUERY : obbligatorio. Query per l'estrazione di dati da Hive.TEMP_BUCKET : obbligatorio. Nome del bucket Cloud Storage (specifica solo il nome del bucket). Questo bucket viene utilizzato per il caricamento di BigQuery.MODE : obbligatorio. Modalità di scrittura per l'output BigQuery. Opzioni:Append
,Overwrite
,Ignore
oErrorIfExists
.TEMPVIEW eTEMPVIEW_SQL_QUERY : facoltativi. Puoi utilizzare questi due parametri facoltativi per applicare una trasformazione Spark SQL durante il caricamento dei dati in BigQuery. TEMPVIEW è il nome della visualizzazione temporanea e TEMPVIEW_SQL_QUERY è l'istruzione di query. TEMPVIEW e il nome della tabella in TEMPVIEW_SQL_QUERY devono corrispondere.SERVICE_ACCOUNT : facoltativo. Se non viene specificato, viene utilizzato l'account di servizio Compute Engine predefinito.PROPERTY ePROPERTY_VALUE : facoltativo. Elenco separato da virgole di coppie Proprietà Spark=value
.LABEL eLABEL_VALUE : facoltativo. Elenco separato da virgole di coppielabel
=value
.LOG_LEVEL : facoltativo. Livello di registrazione. Può essere uno dei seguenti valori:ALL
,DEBUG
,ERROR
,FATAL
,INFO
,OFF
,TRACE
oWARN
. Valore predefinito:INFO
.-
KMS_KEY : facoltativo. Cloud Key Management Service da utilizzare per la crittografia. Se non viene specificata una chiave, i dati vengono criptati at-rest utilizzando un Google-owned and Google-managed encryption key.Esempio:
projects/PROJECT_ID/regions/REGION/keyRings/KEY_RING_NAME/cryptoKeys/KEY_NAME
Metodo HTTP e URL:
POST https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches
Corpo JSON della richiesta:
{ "environmentConfig":{ "executionConfig":{ "subnetworkUri":"SUBNET ", "kmsKey": "KMS_KEY ", "serviceAccount": "SERVICE_ACCOUNT " } }, "labels": { "LABEL ": "LABEL_VALUE " }, "runtimeConfig": { "version": "1.2", "properties": { "spark.hadoop.hive.metastore.uris":"thrift://HOST :PORT ", "PROPERTY ": "PROPERTY_VALUE " } }, "sparkBatch":{ "mainClass":"com.google.cloud.dataproc.templates.main.DataProcTemplate", "args":[ "--template","HIVETOBIGQUERY", "--templateProperty","log.level=LOG_LEVEL ", "--templateProperty","hivetobq.bigquery.location=PROJECT_ID .DATASET .TABLE ", "--templateProperty","hivetobq.sql=QUERY ", "--templateProperty","hivetobq.temp.gcs.bucket=TEMP_BUCKET ", "--templateProperty","hivetobq.write.mode=MODE ", "--templateProperty","hivetobq.temp.table=TEMPVIEW ", "--templateProperty","hivetobq.temp.query=TEMPVIEW_SQL_QUERY " ], "jarFileUris":[ "gs://dataproc-templates-binaries/TEMPLATE_VERSION /java/dataproc-templates.jar" ] } }
Per inviare la richiesta, espandi una di queste opzioni:
curl (Linux, macOS o Cloud Shell)
Salva il corpo della richiesta in un file denominato request.json
,
quindi esegui il comando seguente:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches"
PowerShell (Windows)
Salva il corpo della richiesta in un file denominato request.json
,
quindi esegui il comando seguente:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }
Invoke-WebRequest `
-Method POST `
-Headers $headers `
-ContentType: "application/json; charset=utf-8" `
-InFile request.json `
-Uri "https://dataproc.googleapis.com/v1/projects/PROJECT_ID /locations/REGION /batches" | Select-Object -Expand Content
Dovresti ricevere una risposta JSON simile alla seguente:
{ "name": "projects/PROJECT_ID /regions/REGION /operations/OPERATION_ID ", "metadata": { "@type": "type.googleapis.com/google.cloud.dataproc.v1.BatchOperationMetadata", "batch": "projects/PROJECT_ID /locations/REGION /batches/BATCH_ID ", "batchUuid": "de8af8d4-3599-4a7c-915c-798201ed1583", "createTime": "2023-02-24T03:31:03.440329Z", "operationType": "BATCH", "description": "Batch" } }