Componente opcional 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 bibliotecas do Hudi e configura o Spark e o Hive no cluster para funcionar 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:

• 1.5.80+
• 2.0.54+
• 2.1.2+

Propriedades relacionadas ao Hudi

Quando você cria um cluster do Dataproc com Hudi, as propriedades Spark e Hive a seguir 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 de imagem do Dataproc listam a versão do componente Hudi incluída em cada versão de 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 sinalização --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. Use essa sinalização opcional para especificar uma versão de imagem não padrão do Dataproc. Consulte Versão padrão de imagem do Dataproc.
• PROPERTIES: opcional. É possível usar essa sinalização opcional para definir as propriedades do componente Huudi, que são especificadas com o prefixo do arquivo hudi:. Exemplo: properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE.
  • Propriedade da versão do componente do Hudi: você pode especificar a propriedade dataproc:hudi.version. Observação: a versão do componente Hudi é definida pelo Dataproc para que seja 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 relacionadas ao Hud e Hive quando o cluster é criado. Não é preciso configurá-las ao criar o cluster ou enviar jobs.

API REST

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

Envie 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 amostra 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 visualizar esquemas, confirmações e estatísticas da tabela do Hudi e realizar operações administrativas manualmente, como compactações de programação (consulte Como usar hudi-cli).

Para iniciar a CLI do Hudi e se conectar a uma tabela do Hudi, siga estas etapas:

1. Conecte-se por SSH ao 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 confirmações.
5. Para interromper a sessão da CLI, execute exit.

Para mais informações

• Guia de início rápido do Hud