Abilita la derivazione dei dati Hive in Dataproc

Questo documento mostra come attivare e utilizzare la derivazione dei dati per i job Dataproc Hive.

Puoi abilitare la derivazione dei dati per i job Hive Dataproc utilizzando un'azione di inizializzazione quando crei un cluster.

Quando attivi la derivazione dei dati Hive su un cluster, i job Hive che invii al cluster acquisiscono gli eventi di derivazione dei dati e li pubblicano in Dataplex Universal Catalog.

Visualizzare le informazioni sulla derivazione

Un grafico della derivazione dei dati mostra le relazioni tra le risorse del progetto e i processi che le hanno create. Puoi accedere ai grafici di derivazione utilizzando il Catalogo universale Dataplex, BigQuery Studio e Vertex AI nella console Google Cloud .

Prezzi

La derivazione dei dati Hive di Dataproc viene offerta durante l'anteprima senza costi aggiuntivi. Vengono applicati i prezzi standard di Dataproc.

Prima di iniziare

  1. Nella console Google Cloud , nella pagina di selezione del progetto, seleziona il progetto che contiene il cluster Dataproc per cui vuoi monitorare la derivazione.

    Vai al selettore dei progetti

  2. Abilita l'API Data Lineage e l'API Dataplex.

    Abilita le API

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per utilizzare la derivazione dei dati in Dataproc, chiedi all'amministratore di concederti i seguenti ruoli IAM sul service account VM del cluster Dataproc:

Per ulteriori informazioni sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Potresti anche riuscire a ottenere le autorizzazioni richieste tramite i ruoli personalizzati o altri ruoli predefiniti.

Abilita la derivazione dei dati Hive

Per abilitare la derivazione dei dati Hive su un cluster, specifica l'hive-lineage.sh azione di inizializzazione quando crei un cluster Dataproc. Questa azione di inizializzazione è archiviata in bucket regionali in Cloud Storage.

Esempio di creazione di cluster gcloud CLI:

gcloud dataproc clusters create CLUSTER_NAME \
    --project PROJECT_ID \
    --region REGION \
    --image-version IMAGE_VERSION \
    --initialization-actions gs://goog-dataproc-initialization-actions-REGION/hive-lineage/hive-lineage.sh

Sostituisci quanto segue:

  • CLUSTER_NAME: il nome del cluster.
  • PROJECT_ID: il tuo ID progetto Google Cloud . Gli ID progetto sono elencati nella sezione Informazioni sul progetto della Google Cloud console Dashboard.
  • REGION: la regione di Compute Engine in cui si trova il cluster.
  • IMAGE_VERSION La versione dell'immagine prevista per il cluster.
  • --initialization-actions: specifica un'azione di installazione che si trova in una località regionale Cloud Storage e che attiva la provenienza dei dati Hive.
    • (Facoltativo) Aggiungi l'azione di inizializzazione del connettore Hive-BigQuery. Se vuoi integrare le tabelle BigQuery con i carichi di lavoro Hive, devi installare il connettore Hive-BigQuery sul cluster. Consulta l'esempio di lineage dei dati Hive con BigQuery, che esegue un'azione di inizializzazione del connettore per installare il connettore Hive-BigQuery sul cluster.

Invia un job Hive

Quando invii un job Hive a un cluster Dataproc creato con la derivazione dei dati Hive abilitata, Dataproc acquisisce e segnala le informazioni sulla derivazione dei dati a Dataplex Universal Catalog.

Esempio di invio di job Hive della gcloud CLI:

gcloud dataproc jobs submit hive \
    --cluster=CLUSTER_NAME \
    --project PROJECT_ID \
    --region REGION \
    --properties=hive.openlineage.namespace=CUSTOM_NAMESPACE \
    --execute HIVE_QUERY

Sostituisci quanto segue:

  • CLUSTER_NAME: il nome del cluster.
  • PROJECT_ID: il tuo ID progetto Google Cloud . Gli ID progetto sono elencati nella sezione Informazioni sul progetto della Google Cloud console Dashboard.
  • REGION: la regione Compute Engine in cui si trova il cluster.
  • CUSTOM_NAMESPACE: uno spazio dei nomi Hive personalizzato facoltativo che puoi specificare per identificare il job Hive.
  • HIVE_QUERY: la query Hive da inviare al cluster. Anziché specificare una query, puoi sostituire il flag --execute HIVE_QUERY con un flag --file SQL_FILE per specificare la posizione di un file che contiene la query.

Visualizza la derivazione nel Catalogo universale Dataplex

Un grafico di derivazione mostra le relazioni tra le risorse del progetto e i processi che le hanno create. Puoi visualizzare le informazioni sulla derivazione dei dati nella console Google Cloud o recuperarle dall'API Data Lineage sotto forma di dati JSON.

Lignaggio dei dati Hive con esempio BigQuery

L'esempio in questa sezione è costituito dai seguenti passaggi:

  1. Crea un cluster Dataproc con la derivazione dei dati Hive attivata e il connettore Hive-BigQuery installato sul cluster.
  2. Esegui una query Hive sul cluster per copiare i dati tra le tabelle Hive.
  3. Visualizza il grafico della derivazione dei dati generato in BigQuery Studio.

Crea un cluster Dataproc

Esegui questo comando in una finestra del terminale locale o in Cloud Shell per creare un cluster Dataproc.

gcloud dataproc clusters create CLUSTER_NAME \
    --project PROJECT_ID \
    --region REGION \
    --image-version IMAGE_VERSION \
    --initialization-actions gs://goog-dataproc-initialization-actions-REGION/connectors/connectors.sh, gs://goog-dataproc-initialization-actions-REGION/hive-lineage/hive-lineage.sh \
    --metadata hive-bigquery-connector-version=HIVE_BQ_VERSION

Note:

Eseguire una query Hive

Esegui una query Hive per eseguire le seguenti azioni:

  • Crea una tabella esterna us_states con input di dati di esempio da gs://cloud-samples-data/bigquery/hive-partitioning-samples/autolayout.
  • Crea una tabella gestita us_states_copy nel set di dati BigQuery specificato.
  • Copia tutti i dati da us_states a us_states_copy.

Per eseguire la query:

  1. In una finestra del terminale locale o in Cloud Shell, utilizza un editor di testo, ad esempio vi o nano, per copiare l'istruzione della query Hive riportata di seguito in un file hive-example.sql, quindi salva il file nella directory corrente.
  2. Invia il file hive-example.sql al cluster Dataproc creato in precedenza sostituendo il flag --execute HIVE_QUERY con un flag --file SQL_FILE per specificare la posizione del file hive-example.sql salvato. Tieni presente che le variabili PROJECT e BQ_DATASET devono essere compilate.

Hive BigQueryStorageHandler

CREATE EXTERNAL TABLE us_states (
    name STRING,
    post_abbr STRING
)
STORED AS PARQUET
LOCATION 'gs://cloud-samples-data/bigquery/hive-partitioning-samples/autolayout';

CREATE TABLE us_states_copy (
    name STRING,
    post_abbr STRING
)
STORED BY 'com.google.cloud.hive.bigquery.connector.BigQueryStorageHandler'
TBLPROPERTIES (
  'bq.table'='PROJECT.BQ_DATASET.us_states_copy'
);

INSERT INTO us_states_copy SELECT * FROM us_states;

Visualizzare il grafico della derivazione dei dati

Al termine del job Hive, visualizza la derivazione dei dati in BigQuery Studio nella console Google Cloud :

Grafico di derivazione Hive

Per informazioni sulla visualizzazione dei grafici in BigQuery Studio, vedi Visualizzare la derivazione in BigQuery. Per informazioni sulla comprensione dei grafici, consulta Modello informativo della derivazione dei dati.

Passaggi successivi