Puoi installare componenti aggiuntivi come Hudi quando crei un cluster Dataproc utilizzando la funzionalità Componenti facoltativi. In questa pagina viene descritto come installare facoltativamente il componente Hudi su un cluster Dataproc.
Se installato su un cluster Dataproc, il componente Apache Hudi installa le librerie Hudi e configura Spark e Hive nel cluster in modo che siano compatibili con Hudi.
Versioni immagine Dataproc compatibili
Puoi installare il componente Hudi sui cluster Dataproc creati con le seguenti versioni immagine di Dataproc:
Proprietà correlate a Hudi
Quando crei un cluster Dataproc con Hudi, le seguenti proprietà Spark e Hive vengono configurate in modo da funzionare con Hudi.
File di configurazione | Proprietà | Valore predefinito |
---|---|---|
/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 |
Installa il componente
Installa il componente Hudi quando crei un cluster Dataproc.
Le pagine della versione dell'immagine Dataproc elencano la versione del componente Hudi inclusa in ogni release dell'immagine Dataproc.
Console
- Attiva il componente.
- Nella console Google Cloud, apri la pagina Crea un cluster di Dataproc. Il riquadro Configura cluster è selezionato.
- Nella sezione Componenti:
- In Componenti facoltativi, seleziona il componente Hudi.
Comando g-cloud
Per creare un cluster Dataproc che includa il componente Hudi, utilizza il comando con il flag --optional-components
.
gcloud dataproc clusters create CLUSTER_NAME \ --region=REGION \ --optional-components=HUDI \ --image-version=DATAPROC_VERSION \ --properties=PROPERTIES
Sostituisci quanto segue:
- CLUSTER_NAME: campo obbligatorio. Il nome del nuovo cluster.
- REGION: campo obbligatorio. La regione del cluster.
- DATAPROC_IMAGE: facoltativo. Puoi utilizzare questo flag facoltativo per specificare una versione immagine Dataproc non predefinita (vedi Versione immagine Dataproc predefinita).
- PROPERTIES: facoltativo. Puoi utilizzare questo flag facoltativo per
impostare le proprietà del componente Hudi,
specificate con il
prefisso file
hudi:
Esempio:properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE
).- Proprietà della versione del componente Hudi: puoi specificare facoltativamente la
proprietà
dataproc:hudi.version
. Nota: la versione del componente Hudi è impostata da Dataproc in modo da essere compatibile con la versione immagine del cluster Dataproc. Se imposti questa proprietà, la creazione del cluster può non riuscire se la versione specificata non è compatibile con l'immagine del cluster. - Proprietà Spark e Hive: Dataproc imposta le proprietà Spark e Hive correlate a Hudi quando viene creato il cluster. Non è necessario impostarle durante la creazione del cluster o l'invio dei job.
- Proprietà della versione del componente Hudi: puoi specificare facoltativamente la
proprietà
API REST
Il componente Hudi può essere installato tramite l'API Dataproc utilizzando SoftwareConfig.Component
come parte di una richiesta clusters.create
.
Invia un job per leggere e scrivere tabelle Hudi
Dopo aver creato un cluster con il componente Hudi, puoi inviare job Spark e Hive che leggono e scrivono tabelle Hudi.
Esempio di gcloud CLI
:
gcloud dataproc jobs submit pyspark \ --cluster=CLUSTER_NAME \ --region=region \ JOB_FILE \ -- JOB_ARGS
Esempio di job PySpark
Il seguente file PySpark crea, legge e scrive una tabella Hudi.
Il seguente comando gcloud CLI invia il file PySpark di esempio a Dataproc.
gcloud dataproc jobs submit pyspark \ --cluster=CLUSTER_NAME \ gs://BUCKET_NAME/pyspark_hudi_example.py \ -- TABLE_NAME gs://BUCKET_NAME/TABLE_NAME
Utilizzare l'interfaccia a riga di comando Hudi
L'interfaccia a riga di comando Hudi si trova in /usr/lib/hudi/cli/hudi-cli.sh
sul nodo master del cluster Dataproc. Puoi utilizzare l'interfaccia a riga di comando Hudi per visualizzare schemi, commit e statistiche delle tabelle Hudi ed eseguire manualmente operazioni amministrative, come pianificare compattazioni (vedi Utilizzo di hudi-cli).
Per avviare Hudi CLI e connetterti a una tabella Hudi:
- Accedi tramite SSH al nodo master.
- Esegui
/usr/lib/hudi/cli/hudi-cli.sh
. Il prompt dei comandi diventahudi->
. - Esegui
connect --path gs://my-bucket/my-hudi-table
. - Esegui comandi, come
desc
, che descrive lo schema della tabella, ocommits show
, che mostra la cronologia di commit. - Per arrestare la sessione dell'interfaccia a riga di comando, esegui
exit
.