Optionale Hudi-Komponente für Dataproc

Sie können beim Erstellen eines Dataproc zusätzliche Komponenten wie Hudi installieren. mit dem Optionale Komponenten . Auf dieser Seite wird beschrieben, wie Sie optional die Hudi-Komponente installieren können. in einem Dataproc-Cluster.

Bei der Installation in einem Dataproc-Cluster Apache Hudi Komponente installiert Hudi-Bibliotheken und konfiguriert Spark und Hive im Cluster mit Hudi zu arbeiten.

Kompatible Dataproc-Image-Versionen

Sie können die Hudi-Komponente auf Dataproc-Clustern installieren, die mit der folgende Dataproc-Image-Versionen:

• 1.5.80+
• 2.0.54+
• 2.1.2+

Hudi-bezogene Properties

Wenn Sie einen Dataproc mit Hudi-Cluster erstellen, werden sind so konfiguriert, dass sie mit Hudi funktionieren.

Konfigurationsdatei	Attribut	Standardwert
/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

Komponente installieren

Hudi-Komponente installieren, wenn ein Dataproc-Cluster erstellt wird

Release-Seiten von Dataproc-Images die Hudi-Komponentenversion auflisten, die in jedem Dataproc-Image-Release enthalten ist.

Console

1. Aktivieren Sie die Komponente.
   • Öffnen Sie Dataproc in der Google Cloud Console. Cluster erstellen Seite. Der Bereich Cluster einrichten ist ausgewählt.
   • Im Bereich Komponenten:
     • Wählen Sie unter Optionale Komponenten die Hudi-Komponente.

gcloud-Befehl

So erstellen Sie einen Dataproc-Cluster, der die Hudi-Komponente enthält: Verwenden Sie den Befehl mit dem Flag --optional-components.

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

Ersetzen Sie Folgendes:

• CLUSTER_NAME: erforderlich. Der neue Clustername.
• REGION: erforderlich. Die Clusterregion.
• DATAPROC_IMAGE: Optional. Sie können dieses optionale Flag verwenden, eine nicht standardmäßige Dataproc-Image-Version angeben (siehe Standardmäßige Dataproc-Image-Version).
• PROPERTIES: Optional. Sie können dieses optionale Flag verwenden, Hudi-Komponenteneigenschaften festlegen die mit den Tags hudi:-Dateipräfix Beispiel: properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE).
  • Eigenschaft der Hudi-Komponentenversion: Sie können optional die Property „dataproc:hudi.version“. Hinweis:Die Version der Hudi-Komponente wird durch Dataproc muss mit der Image-Version des Dataproc-Clusters kompatibel sein. Wenn legen Sie diese Eigenschaft fest, kann die Clustererstellung fehlschlagen, wenn die angegebene Version nicht kompatibel mit dem Cluster-Image.
  • Spark- und Hive-Attribute: Dataproc-Sets Hudi-Spark und Hive Eigenschaften zu erstellen. Sie müssen sie nicht festlegen wenn Sie den Cluster erstellen oder Jobs senden.

REST API

Die Hudi-Komponente können über die Dataproc API mit SoftwareConfig.Component als Teil einer clusters.create

Job zum Lesen und Schreiben von Hudi-Tabellen senden

Nachdem Sie einen Cluster mit der Hudi-Komponente erstellt haben, gehen Sie so vor: können Sie Spark- und Hive-Jobs senden, die Hudi-Tabellen lesen und schreiben.

Beispiel für gcloud CLI:

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

PySpark-Beispieljob

Mit der folgenden PySpark-Datei wird eine Hudi-Tabelle erstellt, gelesen und geschrieben.

#!/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()

Der folgende gcloud CLI-Befehl sendet die PySpark-Beispieldatei zu Dataproc.

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

Hudi CLI verwenden

Die Hudi-Befehlszeile befindet sich unter /usr/lib/hudi/cli/hudi-cli.sh auf der Masterknoten des Dataproc-Clusters. Sie können die Hudi CLI verwenden Hudi-Tabellenschemas, Commits und Statistiken ansehen und Verwaltungsvorgänge wie Zeitplanverdichtungen (siehe hudi-cli verwenden.

So starten Sie die Hudi-Befehlszeile und stellen eine Verbindung zu einer Hudi-Tabelle her:

1. Stellen Sie eine SSH-Verbindung zum Master-Knoten her.
2. Führen Sie /usr/lib/hudi/cli/hudi-cli.sh aus. Die Eingabeaufforderung ändert sich in hudi->.
3. Führen Sie connect --path gs://my-bucket/my-hudi-table aus.
4. Führen Sie Befehle wie desc aus, das das Tabellenschema beschreibt, oder commits show, der den Commit-Verlauf anzeigt.
5. Führen Sie exit aus, um die Befehlszeilensitzung zu beenden.

Weitere Informationen

• Kurzanleitung für Hudi