Componente Hudi opcional do Dataproc

Pode instalar componentes adicionais, como o Hudi, quando cria um cluster do Dataproc através da funcionalidade Componentes opcionais. Esta página descreve como pode instalar opcionalmente o componente Hudi num cluster do Dataproc.

Quando instalado num cluster do Dataproc, o componente Apache Hudi instala bibliotecas do Hudi e configura o Spark e o Hive no cluster para funcionar com o Hudi.

Versões de imagens do Dataproc compatíveis

Pode instalar o componente Hudi em clusters do Dataproc criados com as seguintes versões de imagens do Dataproc:

• 2.0.54+
• 2.1.2+
• 2.2.31+

Propriedades relacionadas com o Hudi

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

Ficheiro de configuração	Propriedade	Valor predefinido
/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

Instale o componente

Instale o componente Hudi quando criar um cluster do Dataproc.

As páginas da versão de lançamento de imagens do Dataproc indicam a versão do componente Hudi incluída em cada lançamento de imagens do Dataproc.

Consola

1. Ative o componente.
   • Na Google Cloud consola, abra a página do Dataproc Criar um cluster. O painel Configurar cluster está selecionado.
   • Na secção 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 o seguinte:

• CLUSTER_NAME: obrigatório. O nome do novo cluster.
• REGION: obrigatório. A região do cluster.
• DATAPROC_IMAGE: opcional. Pode usar este sinalizador opcional para especificar uma versão da imagem do Dataproc não predefinida (consulte Versão da imagem do Dataproc predefinida).
• PROPERTIES: opcional. Pode usar esta flag opcional para definir propriedades de componentes Hudi, que são especificadas com o hudi: prefixo do ficheiro Exemplo: properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE).
  • Propriedade da versão do componente Hudi: opcionalmente, pode especificar a propriedade dataproc:hudi.version. Nota: a versão do componente Hudi é definida pelo Dataproc para ser compatível com a versão da imagem do cluster do Dataproc. Se definir esta propriedade, a criação do cluster pode 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 com o Hudi quando o cluster é criado. Não precisa de as definir quando cria o cluster ou envia tarefas.

API REST

O componente Hudi pode ser instalado através da API Dataproc com SoftwareConfig.Component como parte de um pedido clusters.create.

Envie um trabalho para ler e escrever tabelas Hudi

Depois de criar um cluster com o componente Hudi, pode enviar tarefas do Spark e do Hive que leiam e escrevam tabelas Hudi.

gcloud CLI exemplo:

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

Exemplo de tarefa PySpark

O seguinte ficheiro PySpark cria, lê e escreve uma tabela 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 seguinte comando da CLI gcloud envia o ficheiro 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

Use a CLI Hudi

A CLI do Hudi está localizada em /usr/lib/hudi/cli/hudi-cli.sh no nó principal do cluster do Dataproc. Pode usar a CLI do Hudi para ver esquemas, commits e estatísticas de tabelas Hudi, bem como para realizar manualmente operações administrativas, como agendar compactações (consulte Usar hudi-cli).

Para iniciar a CLI Hudi e estabelecer ligação a uma tabela Hudi:

1. SSH para o nó principal.
2. Corrida /usr/lib/hudi/cli/hudi-cli.sh. O comando muda para hudi->.
3. Corrida connect --path gs://my-bucket/my-hudi-table.
4. Executar comandos, como desc, que descreve o esquema da tabela, ou commits show, que mostra o histórico de commits.
5. Para parar a sessão da CLI, execute exit.

O que se segue?

• Consulte o guia de início rápido do Hudi.