Componente Hudi facoltativo di Dataproc

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 funzionino con Hudi.

Versioni immagine Dataproc compatibili

Puoi installare il componente Hudi sui cluster Dataproc creati con le seguenti versioni immagine di Dataproc:

Quando crei un cluster Dataproc con Hudi, le seguenti proprietà Spark e Hive sono configurate per il funzionamento 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 durante la creazione di un cluster Dataproc.

Nelle pagine della versione della release immagine di Dataproc sono elencate le versioni dei componenti Hudi incluse in ogni release dell'immagine Dataproc.

Console

  1. Attiva il componente.
    • Nella console Google Cloud, apri la pagina di Dataproc Crea un cluster. 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: obbligatorio. Il nuovo nome del cluster.
  • REGION: obbligatorio. La regione del cluster.
  • DATAPROC_IMAGE: facoltativo. Puoi utilizzare questo flag facoltativo per specificare una versione dell'immagine Dataproc non predefinita (vedi Versione immagine Dataproc predefinita).
  • PROPERTIES: facoltativo. Puoi utilizzare questo flag facoltativo per impostare le proprietà del componente Hud, che vengono specificate con il prefisso file hudi:. Esempio: properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE.
    • Proprietà della versione del componente Hudi: facoltativamente, puoi specificare la proprietà dataproc:hudi.version. Nota: la versione del componente Hudi è impostata da Dataproc in modo che sia 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 al momento della creazione del cluster. Non è necessario impostarle durante la creazione del cluster o l'invio dei job.

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

Job PySpark di esempio

Il seguente file PySpark crea, legge e scrive una tabella 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()

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

Utilizza l'interfaccia a riga di comando di 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, nonché per eseguire manualmente operazioni di amministrazione, come la compattazione della pianificazione (consulta la pagina relativa all'utilizzo di hudi-cli).

Per avviare l'interfaccia a riga di comando Hudi e connetterti a una tabella Hudi:

  1. Accedi tramite SSH al nodo master.
  2. Esegui /usr/lib/hudi/cli/hudi-cli.sh. Il prompt dei comandi diventa hudi->.
  3. Esegui connect --path gs://my-bucket/my-hudi-table.
  4. Esegui comandi come desc, che descrive lo schema della tabella, o commits show, che mostra la cronologia di commit.
  5. Per interrompere la sessione dell'interfaccia a riga di comando, esegui exit.

Per maggiori informazioni