Componente opcional do Hudi do Dataproc

É possível instalar outros componentes, como o Hudi, ao criar um cluster do Dataproc usando o recurso Componentes opcionais. Nesta página, descrevemos como instalar o componente Hudi em um cluster do Dataproc.

Quando instalado em um cluster do Dataproc, o componente Apache Hudi instala as bibliotecas do Hudi e configura o Spark e o Hive no cluster para trabalhar com o Hudi.

Versões de imagem compatíveis do Dataproc

É possível instalar o componente Hudi em clusters do Dataproc criados com as seguintes versões de imagem do Dataproc:

Quando você cria um cluster do Dataproc com o Hudi, as seguintes propriedades do Spark e do Hive são configuradas para funcionar com o Hudi.

Arquivo de configuração Propriedade Valor padrão
/etc/spark/conf/spark-defaults.conf spark.serializer org.apache.spark.serializer.KryoSerializer
spark.sql.catalog.spark_catalog org.apache.spark.sql.hudi.catalog.HoodieCatalog
spark.sql.extensions org.apache.spark.sql.hudi.HoodieSparkSessionExtension
spark.driver.extraClassPath /usr/lib/hudi/lib/hudi-sparkspark-version-bundle_scala-version-hudi-version.jar
spark.executor.extraClassPath /usr/lib/hudi/lib/hudi-sparkspark-version-bundle_scala-version-hudi-version.jar
/etc/hive/conf/hive-site.xml hive.aux.jars.path file:///usr/lib/hudi/lib/hudi-hadoop-mr-bundle-version.jar

Instalar o componente

Instale o componente Hudi ao criar um cluster do Dataproc.

As páginas de versão da versão da imagem do Dataproc listam a versão do componente Hudi incluída em cada versão da imagem do Dataproc.

Console

  1. Ativar o componente.
    • No console do Google Cloud, abra a página Criar um cluster do Dataproc. O painel Configurar cluster está selecionado.
    • Na seção Componentes:
      • Em Componentes opcionais, selecione o componente Hudi.

Comando gcloud

Para criar um cluster do Dataproc que inclua o componente Hudi, use o comando com a flag --optional-components.

gcloud dataproc clusters create CLUSTER_NAME \
    --region=REGION \
    --optional-components=HUDI \
    --image-version=DATAPROC_VERSION \
    --properties=PROPERTIES

Substitua:

  • CLUSTER_NAME: obrigatório. O nome do novo cluster.
  • REGION: obrigatório. A região do cluster.
  • DATAPROC_IMAGE: opcional. É possível usar essa flag opcional para especificar uma versão de imagem do Dataproc que não seja padrão. Consulte Versão de imagem padrão do Dataproc.
  • PROPERTIES: opcional. É possível usar essa flag opcional para definir as propriedades do componente Hudi, que são especificadas com o hudi: prefixo de arquivo (exemplo: properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE).
    • Propriedade de versão do componente Hudi: é possível especificar a propriedade dataproc:hudi.version. Observação:a versão do componente Hudi é definida pelo Dataproc para ser compatível com a versão da imagem do cluster do Dataproc. Se você definir essa propriedade, a criação do cluster poderá falhar se a versão especificada não for compatível com a imagem do cluster.
    • Propriedades do Spark e do Hive: o Dataproc define as propriedades do Spark e do Hive relacionadas ao Hudi quando o cluster é criado. Não é necessário defini-las ao criar o cluster ou enviar jobs.

API REST

O componente Hudi pode ser instalado pela API Dataproc usando SoftwareConfig.Component como parte de uma clusters.create solicitação.

Enviar um job para ler e gravar tabelas do Hudi

Depois de criar um cluster com o componente Hudi, é possível enviar jobs do Spark e do Hive que leem e gravam tabelas do Hudi.

Exemplo de gcloud CLI:

gcloud dataproc jobs submit pyspark \
    --cluster=CLUSTER_NAME \
    --region=region \
    JOB_FILE \
    -- JOB_ARGS

Exemplo de job do PySpark

O arquivo PySpark a seguir cria, lê e grava uma tabela do Hudi.

#!/usr/bin/env python
"""Pyspark Hudi test."""

import sys
from pyspark.sql import SparkSession


def create_hudi_table(spark, table_name, table_uri):
  """Creates Hudi table."""
  create_table_sql = f"""
    CREATE TABLE IF NOT EXISTS {table_name} (
      uuid string,
      begin_lat double,
      begin_lon double,
      end_lat double,
      end_lon double,
      driver string,
      rider string,
      fare double,
      partitionpath string,
      ts long
    ) USING hudi
    LOCATION '{table_uri}'
    TBLPROPERTIES (
      type = 'cow',
      primaryKey = 'uuid',
      preCombineField = 'ts'
    )
    PARTITIONED BY (partitionpath)
  """
  spark.sql(create_table_sql)


def generate_test_dataframe(spark, n_rows):
  """Generates test dataframe with Hudi's built-in data generator."""
  sc = spark.sparkContext
  utils = sc._jvm.org.apache.hudi.QuickstartUtils
  data_generator = utils.DataGenerator()
  inserts = utils.convertToStringList(data_generator.generateInserts(n_rows))
  return spark.read.json(sc.parallelize(inserts, 2))


def write_hudi_table(table_name, table_uri, df):
  """Writes Hudi table."""
  hudi_options = {
      'hoodie.table.name': table_name,
      'hoodie.datasource.write.recordkey.field': 'uuid',
      'hoodie.datasource.write.partitionpath.field': 'partitionpath',
      'hoodie.datasource.write.table.name': table_name,
      'hoodie.datasource.write.operation': 'upsert',
      'hoodie.datasource.write.precombine.field': 'ts',
      'hoodie.upsert.shuffle.parallelism': 2,
      'hoodie.insert.shuffle.parallelism': 2,
  }
  df.write.format('hudi').options(**hudi_options).mode('append').save(table_uri)


def query_commit_history(spark, table_name, table_uri):
  tmp_table = f'{table_name}_commit_history'
  spark.read.format('hudi').load(table_uri).createOrReplaceTempView(tmp_table)
  query = f"""
    SELECT DISTINCT(_hoodie_commit_time)
    FROM {tmp_table}
    ORDER BY _hoodie_commit_time
    DESC
  """
  return spark.sql(query)


def read_hudi_table(spark, table_name, table_uri, commit_ts=''):
  """Reads Hudi table at the given commit timestamp."""
  if commit_ts:
    options = {'as.of.instant': commit_ts}
  else:
    options = {}
  tmp_table = f'{table_name}_snapshot'
  spark.read.format('hudi').options(**options).load(
      table_uri
  ).createOrReplaceTempView(tmp_table)
  query = f"""
    SELECT _hoodie_commit_time, begin_lat, begin_lon,
        driver, end_lat, end_lon, fare, partitionpath,
        rider, ts, uuid
    FROM {tmp_table}
  """
  return spark.sql(query)


def main():
  """Test create write and read Hudi table."""
  if len(sys.argv) != 3:
    raise Exception('Expected arguments: <table_name> <table_uri>')

  table_name = sys.argv[1]
  table_uri = sys.argv[2]

  app_name = f'pyspark-hudi-test_{table_name}'
  print(f'Creating Spark session {app_name} ...')
  spark = SparkSession.builder.appName(app_name).getOrCreate()
  spark.sparkContext.setLogLevel('WARN')

  print(f'Creating Hudi table {table_name} at {table_uri} ...')
  create_hudi_table(spark, table_name, table_uri)

  print('Generating test data batch 1...')
  n_rows1 = 10
  input_df1 = generate_test_dataframe(spark, n_rows1)
  input_df1.show(truncate=False)

  print('Writing Hudi table, batch 1 ...')
  write_hudi_table(table_name, table_uri, input_df1)

  print('Generating test data batch 2...')
  n_rows2 = 10
  input_df2 = generate_test_dataframe(spark, n_rows2)
  input_df2.show(truncate=False)

  print('Writing Hudi table, batch 2 ...')
  write_hudi_table(table_name, table_uri, input_df2)

  print('Querying commit history ...')
  commits_df = query_commit_history(spark, table_name, table_uri)
  commits_df.show(truncate=False)
  previous_commit_ts = commits_df.collect()[1]._hoodie_commit_time

  print('Reading the Hudi table snapshot at the latest commit ...')
  output_df1 = read_hudi_table(spark, table_name, table_uri)
  output_df1.show(truncate=False)

  print(f'Reading the Hudi table snapshot at {previous_commit_ts} ...')
  output_df2 = read_hudi_table(spark, table_name, table_uri, previous_commit_ts)
  output_df2.show(truncate=False)

  print('Stopping Spark session ...')
  spark.stop()

  print('All done')


main()

O comando da CLI gcloud a seguir envia o arquivo PySpark de exemplo para o Dataproc.

gcloud dataproc jobs submit pyspark \
    --cluster=CLUSTER_NAME \
    gs://BUCKET_NAME/pyspark_hudi_example.py \
    -- TABLE_NAME gs://BUCKET_NAME/TABLE_NAME

Usar a CLI do Hudi

A CLI do Hudi está localizada em /usr/lib/hudi/cli/hudi-cli.sh no nó mestre do cluster do Dataproc. É possível usar a CLI do Hudi para conferir esquemas, confirmações e estatísticas de tabelas do Hudi e realizar manualmente operações administrativas, como programar compactações (consulte Como usar o hudi-cli).

Para iniciar a CLI do Hudi e se conectar a uma tabela do Hudi:

  1. SSH no nó mestre.
  2. Execute /usr/lib/hudi/cli/hudi-cli.sh. O prompt de comando muda para hudi->.
  3. Execute connect --path gs://my-bucket/my-hudi-table.
  4. Execute comandos, como desc, que descreve o esquema da tabela, ou commits show, que mostra o histórico de confirmação.
  5. Para interromper a sessão da CLI, execute exit.

Para mais informações