Utilizzare il connettore BigQuery con Spark

spark-bigquery-connector viene utilizzato con Apache Spark per leggere e scrivere dati da e in BigQuery. Questo tutorial fornisce codice di esempio che utilizza il connettore spark-bigquery all'interno di un'applicazione Spark. Per istruzioni sulla creazione di un cluster, consulta le guide rapide di Dataproc.

Il connettore spark-bigquery sfrutta l'API BigQuery Storage per leggere i dati da BigQuery.

Rendi il connettore disponibile per la tua applicazione

Puoi rendere disponibile il connettore spark-bigquery per la tua applicazione in uno dei seguenti modi:

1. Installa spark-bigquery-connector nella directory dei jar di Spark di ogni nodo utilizzando l'azione di inizializzazione dei connettori Dataproc quando crei il cluster.

2. Fornisci l'URI del connettore quando invii il job:

   1. Console Google Cloud: utilizza l'elemento Job Spark Jars files nella pagina Invia un job di Dataproc.
   2. Interfaccia a riga di comando gcloud: utilizza il flag gcloud dataproc jobs submit spark --jars.
   3. API Dataproc: utilizza il campo SparkJob.jarFileUris.

3. Includi il file JAR nell'applicazione Scala o Java Spark come dipendenza (vedi Compilazione in base al connettore).

Nota: se il connettore non è disponibile in fase di esecuzione, viene generato un errore ClassNotFoundException.

Come specificare l'URI del file jar del connettore

Le versioni del connettore Spark-BigQuery sono elencate nel repository GitHub GoogleCloudDataproc/spark-bigquery-connector.

Specifica il file jar del connettore sostituendo le informazioni sulla versione di Scala e del connettore nella seguente stringa URI:

gs://spark-lib/bigquery/spark-bigquery-with-dependencies_SCALA_VERSION-CONNECTOR_VERSION.jar

• Utilizzare Scala 2.12 con le versioni immagine di Dataproc 1.5+

  gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-CONNECTOR_VERSION.jar
  

  Esempio della gcloud CLI:

  gcloud dataproc jobs submit spark \
      --jars=gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.23.2.jar \
      -- job-args
  

• Utilizza Scala 2.11 con le versioni immagine di Dataproc 1.4 e precedenti:

  gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.11-CONNECTOR_VERSION.jar
  

  Esempio della gcloud CLI:

  gcloud dataproc jobs submit spark \
      --jars=gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.11-0.23.2.jar \
      -- job-args
  

Per l'utilizzo non in produzione, puoi anche fare riferimento ai jar latest, come segue:

1. Versione immagine Dataproc 1.5+: --jars=gs://spark-lib/bigquery/spark-bigquery-latest_2.12.jar
2. Versioni immagine Dataproc 1.4 e precedenti: --jars=gs://spark-lib/bigquery/spark-bigquery-latest.jar

Calcolo dei costi

In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:

• Dataproc
• BigQuery
• Cloud Storage

Per generare una stima dei costi basata sull'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud potrebbero essere idonei per una prova gratuita.

Lettura e scrittura di dati da BigQuery

Questo esempio legge i dati da BigQuery in un DataFrame Spark per eseguire un conteggio delle parole utilizzando l'API dell'origine dati standard.

Il connettore scrive i dati in BigQuery eseguendo prima il buffering di tutti i dati in una tabella temporanea di Cloud Storage. Quindi, copia tutti i dati in BigQuery in un'unica operazione. Il connettore tenta di eliminare i file temporanei al termine dell'operazione di caricamento in BigQuery e di nuovo al termine dell'applicazione Spark. Se il job non va a buon fine, rimuovi eventuali file temporanei di Cloud Storage rimanenti. In genere, i file BigQuery temporanei si trovano in gs://[bucket]/.spark-bigquery-[jobid]-[UUID].

Configurazione della fatturazione

Per impostazione predefinita, al progetto associato alle credenziali o all'account di servizio viene addebitato l'utilizzo dell'API. Per fatturare un altro progetto, imposta la seguente configurazione: spark.conf.set("parentProject", "<BILLED-GCP-PROJECT>").

Può anche essere aggiunto a un'operazione di lettura/scrittura, come segue: .option("parentProject", "<BILLED-GCP-PROJECT>").

Eseguire il codice

Prima di eseguire questo esempio, crea un set di dati denominato "wordcount_dataset" o modifica il set di dati di output nel codice in un set di dati BigQuery esistente nel tuo progetto Google Cloud.

Utilizza il comando bq per creare wordcount_dataset:

bq mk wordcount_dataset

Utilizza il comando Google Cloud CLI per creare un bucket Cloud Storage, che verrà utilizzato per l'esportazione in BigQuery:

gcloud storage buckets create gs://[bucket]

Scala

1. Esamina il codice e sostituisci il segnaposto [bucket] con il bucket Cloud Storage che hai creato in precedenza.

   /*
    * Remove comment if you are not running in spark-shell.
    *
   import org.apache.spark.sql.SparkSession
   val spark = SparkSession.builder()
     .appName("spark-bigquery-demo")
     .getOrCreate()
   */
   
   // Use the Cloud Storage bucket for temporary BigQuery export data used
   // by the connector.
   val bucket = "[bucket]"
   spark.conf.set("temporaryGcsBucket", bucket)
   
   // Load data in from BigQuery. See
   // https://github.com/GoogleCloudDataproc/spark-bigquery-connector/tree/0.17.3#properties
   // for option information.
   val wordsDF =
     (spark.read.format("bigquery")
     .option("table","bigquery-public-data:samples.shakespeare")
     .load()
     .cache())
   
   wordsDF.createOrReplaceTempView("words")
   
   // Perform word count.
   val wordCountDF = spark.sql(
     "SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word")
   wordCountDF.show()
   wordCountDF.printSchema()
   
   // Saving the data to BigQuery.
   (wordCountDF.write.format("bigquery")
     .option("table","wordcount_dataset.wordcount_output")
     .save())

2. Esegui il codice sul cluster
   1. Utilizza SSH per connetterti al nodo master del cluster Dataproc.
      1. Vai alla pagina Cluster Dataproc nella console Google Cloud, quindi fai clic sul nome del cluster

         

      2. Nella pagina >Dettagli cluster, seleziona la scheda Istanze VM. Quindi, fai clic su SSH a destra del nome del nodo master del cluster

         

         
         Si apre una finestra del browser nella home directory sul nodo principale

             Connected, host fingerprint: ssh-rsa 2048 ...
             ...
             user@clusterName-m:~$
             

   2. Crea wordcount.scala con l'editor di testo vi, vim o nano preinstallato, quindi incolla il codice Scala dall'elenco di codice Scala

      nano wordcount.scala
        

   3. Avvia la REPL di spark-shell.

      $ spark-shell --jars=gs://spark-lib/bigquery/spark-bigquery-latest.jar
      ...
      Using Scala version ...
      Type in expressions to have them evaluated.
      Type :help for more information.
      ...
      Spark context available as sc.
      ...
      SQL context available as sqlContext.
      scala>
      

   4. Esegui wordcount.scala con il comando :load wordcount.scala per creare la tabella wordcount_output di BigQuery. L'elenco di output visualizza 20 righe dell'output del conteggio parole.

      :load wordcount.scala
      ...
      +---------+----------+
      |     word|word_count|
      +---------+----------+
      |     XVII|         2|
      |    spoil|        28|
      |    Drink|         7|
      |forgetful|         5|
      |   Cannot|        46|
      |    cures|        10|
      |   harder|        13|
      |  tresses|         3|
      |      few|        62|
      |  steel'd|         5|
      | tripping|         7|
      |   travel|        35|
      |   ransom|        55|
      |     hope|       366|
      |       By|       816|
      |     some|      1169|
      |    those|       508|
      |    still|       567|
      |      art|       893|
      |    feign|        10|
      +---------+----------+
      only showing top 20 rows
      
      root
       |-- word: string (nullable = false)
       |-- word_count: long (nullable = true)
      

      
      Per visualizzare l'anteprima della tabella di output, apri la pagina BigQuery , seleziona la tabella wordcount_output e poi fai clic su Anteprima.

      

PySpark

1. Esamina il codice e sostituisci il segnaposto [bucket] con il bucket Cloud Storage che hai creato in precedenza.

   #!/usr/bin/env python
   
   """BigQuery I/O PySpark example."""
   
   from pyspark.sql import SparkSession
   
   spark = SparkSession \
     .builder \
     .master('yarn') \
     .appName('spark-bigquery-demo') \
     .getOrCreate()
   
   # Use the Cloud Storage bucket for temporary BigQuery export data used
   # by the connector.
   bucket = "[bucket]"
   spark.conf.set('temporaryGcsBucket', bucket)
   
   # Load data from BigQuery.
   words = spark.read.format('bigquery') \
     .option('table', 'bigquery-public-data:samples.shakespeare') \
     .load()
   words.createOrReplaceTempView('words')
   
   # Perform word count.
   word_count = spark.sql(
       'SELECT word, SUM(word_count) AS word_count FROM words GROUP BY word')
   word_count.show()
   word_count.printSchema()
   
   # Save the data to BigQuery
   word_count.write.format('bigquery') \
     .option('table', 'wordcount_dataset.wordcount_output') \
     .save()

2. Esegui il codice sul tuo cluster
   Utilizza Dataproc per inviare il codice PySpark: invece di eseguire manualmente il codice PySpark dall'istanza master del cluster, puoi inviare il file PySpark direttamente al tuo cluster (consulta la sezione Approccio rapido a Dataproc). Ecco i passaggi da seguire utilizzando Google Cloud CLI:
   

   1. Crea wordcount.py localmente in un editor di testo copiando il codice PySpark dalla lista di codici PySpark
   2. Esegui il codice PySpark inviando il job al cluster con il comando gcloud dataproc jobs submit:

      gcloud dataproc jobs submit pyspark wordcount.py \
          --cluster=cluster-name \
          --region=region \
          --jars=gs://spark-lib/bigquery/spark-bigquery-latest.jar
      

   1. Utilizza SSH per connetterti al nodo master del cluster Dataproc.
      1. Vai alla pagina Cluster Dataproc nella console Google Cloud, quindi fai clic sul nome del cluster

         

      2. Nella pagina Dettagli cluster, seleziona la scheda Istanze VM. Quindi, fai clic su SSH a destra del nome del nodo master del cluster

         

         
         Si apre una finestra del browser nella home directory sul nodo principale

             Connected, host fingerprint: ssh-rsa 2048 ...
             ...
             user@clusterName-m:~$
             

   2. Crea wordcount.py con l'editor di testo vi, vim o nano preinstallato, quindi incolla il codice PySpark dalla lista di codice PySpark

      nano wordcount.py
      

   3. Esegui il conteggio delle parole con spark-submit per creare la tabella BigQuery wordcount_output. L'elenco di output mostra 20 righe dall'output del conteggio parole.

      spark-submit --jars gs://spark-lib/bigquery/spark-bigquery-latest.jar wordcount.py
      ...
      +---------+----------+
      |     word|word_count|
      +---------+----------+
      |     XVII|         2|
      |    spoil|        28|
      |    Drink|         7|
      |forgetful|         5|
      |   Cannot|        46|
      |    cures|        10|
      |   harder|        13|
      |  tresses|         3|
      |      few|        62|
      |  steel'd|         5|
      | tripping|         7|
      |   travel|        35|
      |   ransom|        55|
      |     hope|       366|
      |       By|       816|
      |     some|      1169|
      |    those|       508|
      |    still|       567|
      |      art|       893|
      |    feign|        10|
      +---------+----------+
      only showing top 20 rows
      
      root
       |-- word: string (nullable = false)
       |-- word_count: long (nullable = true)
      

      
      Per visualizzare l'anteprima della tabella di output, apri la pagina BigQuery , seleziona la tabella wordcount_output e poi fai clic su Anteprima.

      

Per ulteriori informazioni

• BigQuery Storage e Spark SQL - Python
• Creare un file di definizione della tabella per un'origine dati esterna
• Esecuzione di query sui dati partizionati esternamente
• Suggerimenti per l'ottimizzazione del job Spark