Transmite un tema de Kafka a Hive

Apache Kafka es una plataforma de transmisión distribuida de código abierto para la integración de datos y las canalizaciones de datos en tiempo real. Proporciona un sistema de transmisión eficiente y escalable para usar en una variedad de aplicaciones, incluidas las siguientes:

  • Analítica en tiempo real
  • Procesamiento de transmisión
  • Agregación de registros
  • Mensajería distribuida
  • Transmisión de eventos

Objetivos

  1. Instalar Kafka en un clúster de HA de Dataproc con ZooKeeper (al que se hace referencia en este instructivo como “clúster de Kafka de Dataproc”).

  2. Crear datos ficticios del cliente y, luego, publicarlos en un tema de Kafka

  3. Crear tablas ORC y Parquet de Hive en Cloud Storage para recibir datos del tema de Kafka transmitidos

  4. Enviar un trabajo de PySpark para suscribirse al tema de Kafka y transmitirlo en Cloud Storage en formato Parquet y ORC

  5. Ejecutar una consulta en los datos de la tabla de Hive transmitidos para contar los mensajes de Kafka transmitidos

Costos

En este documento, usarás los siguientes componentes facturables de Google Cloud:

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios. Es posible que los usuarios nuevos de Google Cloud califiquen para obtener una prueba gratuita.

Cuando finalices las tareas que se describen en este documento, puedes borrar los recursos que creaste para evitar que continúe la facturación. Para obtener más información, consulta Cómo realizar una limpieza.

Antes de comenzar

Si aún no lo hiciste, crea un proyecto de Google Cloud.

  1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

  4. Habilita las API de Dataproc, Compute Engine, and Cloud Storage.

    Habilita las API

    5.

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  6. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

  7. Habilita las API de Dataproc, Compute Engine, and Cloud Storage.

    Habilita las API

    8.
  8. En la consola de Google Cloud, ve a la página Buckets de Cloud Storage.

    Ir a la página Buckets

  9. Haga clic en Crear bucket.
  10. En la página Crear un bucket, ingresa la información de tu bucket. Para ir al paso siguiente, haz clic en Continuar.
  11. Haga clic en Crear.

Pasos del instructivo

Realiza los siguientes pasos para crear un clúster de Kafka de Dataproc y leer un tema de Kafka en Cloud Storage en formato ORC o Parquet.

Copia la secuencia de comandos de instalación de Kafka en Cloud Storage

La secuencia de comandos de la acción de inicialización kafka.sh instala Kafka en un clúster de Dataproc.

  1. Explora el código.

    #!/bin/bash
#    Copyright 2015 Google, Inc.
#
#    Licensed under the Apache License, Version 2.0 (the "License");
#    you may not use this file except in compliance with the License.
#    You may obtain a copy of the License at
#
#        http://www.apache.org/licenses/LICENSE-2.0
#
#    Unless required by applicable law or agreed to in writing, software
#    distributed under the License is distributed on an "AS IS" BASIS,
#    WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
#    See the License for the specific language governing permissions and
#    limitations under the License.
#
# This script installs Apache Kafka (http://kafka.apache.org) on a Google Cloud
# Dataproc cluster.

set -euxo pipefail

readonly ZOOKEEPER_HOME=/usr/lib/zookeeper
readonly KAFKA_HOME=/usr/lib/kafka
readonly KAFKA_PROP_FILE='/etc/kafka/conf/server.properties'
readonly ROLE="$(/usr/share/google/get_metadata_value attributes/dataproc-role)"
readonly RUN_ON_MASTER="$(/usr/share/google/get_metadata_value attributes/run-on-master || echo false)"
readonly KAFKA_ENABLE_JMX="$(/usr/share/google/get_metadata_value attributes/kafka-enable-jmx || echo false)"
readonly KAFKA_JMX_PORT="$(/usr/share/google/get_metadata_value attributes/kafka-jmx-port || echo 9999)"
readonly INSTALL_KAFKA_PYTHON="$(/usr/share/google/get_metadata_value attributes/install-kafka-python || echo false)"

# The first ZooKeeper server address, e.g., "cluster1-m-0:2181".
ZOOKEEPER_ADDRESS=''
# Integer broker ID of this node, e.g., 0
BROKER_ID=''

function retry_apt_command() {
  cmd="$1"
  for ((i = 0; i < 10; i++)); do
    if eval "$cmd"; then
      return 0
    fi
    sleep 5
  done
  return 1
}

function recv_keys() {
  retry_apt_command "apt-get install -y gnupg2 &&\
                     apt-key adv --keyserver keyserver.ubuntu.com --recv-keys B7B3B788A8D3785C"
}

function update_apt_get() {
  retry_apt_command "apt-get update"
}

function install_apt_get() {
  pkgs="$@"
  retry_apt_command "apt-get install -y $pkgs"
}

function err() {
  echo "[$(date +'%Y-%m-%dT%H:%M:%S%z')]: $@" >&2
  return 1
}

# Returns the list of broker IDs registered in ZooKeeper, e.g., " 0, 2, 1,".
function get_broker_list() {
  ${KAFKA_HOME}/bin/zookeeper-shell.sh "${ZOOKEEPER_ADDRESS}" \
    <<<"ls /brokers/ids" |
    grep '\[.*\]' |
    sed 's/\[/ /' |
    sed 's/\]/,/'
}

# Waits for zookeeper to be up or time out.
function wait_for_zookeeper() {
  for i in {1..20}; do
    if "${ZOOKEEPER_HOME}/bin/zkCli.sh" -server "${ZOOKEEPER_ADDRESS}" ls /; then
      return 0
    else
      echo "Failed to connect to ZooKeeper ${ZOOKEEPER_ADDRESS}, retry ${i}..."
      sleep 5
    fi
  done
  echo "Failed to connect to ZooKeeper ${ZOOKEEPER_ADDRESS}" >&2
  exit 1
}

# Wait until the current broker is registered or time out.
function wait_for_kafka() {
  for i in {1..20}; do
    local broker_list=$(get_broker_list || true)
    if [[ "${broker_list}" == *" ${BROKER_ID},"* ]]; then
      return 0
    else
      echo "Kafka broker ${BROKER_ID} is not registered yet, retry ${i}..."
      sleep 5
    fi
  done
  echo "Failed to start Kafka broker ${BROKER_ID}." >&2
  exit 1
}

function install_and_configure_kafka_server() {
  # Find zookeeper list first, before attempting any installation.
  local zookeeper_client_port
  zookeeper_client_port=$(grep 'clientPort' /etc/zookeeper/conf/zoo.cfg |
    tail -n 1 |
    cut -d '=' -f 2)

  local zookeeper_list
  zookeeper_list=$(grep '^server\.' /etc/zookeeper/conf/zoo.cfg |
    cut -d '=' -f 2 |
    cut -d ':' -f 1 |
    sort |
    uniq |
    sed "s/$/:${zookeeper_client_port}/" |
    xargs echo |
    sed "s/ /,/g")

  if [[ -z "${zookeeper_list}" ]]; then
    # Didn't find zookeeper quorum in zoo.cfg, but possibly workers just didn't
    # bother to populate it. Check if YARN HA is configured.
    zookeeper_list=$(bdconfig get_property_value --configuration_file \
      /etc/hadoop/conf/yarn-site.xml \
      --name yarn.resourcemanager.zk-address 2>/dev/null)
  fi

  # If all attempts failed, error out.
  if [[ -z "${zookeeper_list}" ]]; then
    err 'Failed to find configured Zookeeper list; try "--num-masters=3" for HA'
  fi

  ZOOKEEPER_ADDRESS="${zookeeper_list%%,*}"

  # Install Kafka from Dataproc distro.
  install_apt_get kafka-server || dpkg -l kafka-server ||
    err 'Unable to install and find kafka-server.'

  mkdir -p /var/lib/kafka-logs
  chown kafka:kafka -R /var/lib/kafka-logs

  if [[ "${ROLE}" == "Master" ]]; then
    # For master nodes, broker ID starts from 10,000.
    if [[ "$(hostname)" == *-m ]]; then
      # non-HA
      BROKER_ID=10000
    else
      # HA
      BROKER_ID=$((10000 + $(hostname | sed 's/.*-m-\([0-9]*\)$/\1/g')))
    fi
  else
    # For worker nodes, broker ID is the worker ID.
    BROKER_ID=$(hostname | sed 's/.*-w-\([0-9]*\)$/\1/g')
  fi
  sed -i 's|log.dirs=/tmp/kafka-logs|log.dirs=/var/lib/kafka-logs|' \
    "${KAFKA_PROP_FILE}"
  sed -i 's|^\(zookeeper\.connect=\).*|\1'${zookeeper_list}'|' \
    "${KAFKA_PROP_FILE}"
  sed -i 's,^\(broker\.id=\).*,\1'${BROKER_ID}',' \
    "${KAFKA_PROP_FILE}"
  echo -e '\nreserved.broker.max.id=100000' >>"${KAFKA_PROP_FILE}"
  echo -e '\ndelete.topic.enable=true' >>"${KAFKA_PROP_FILE}"

  if [[ "${KAFKA_ENABLE_JMX}" == "true" ]]; then
    sed -i '/kafka-run-class.sh/i export KAFKA_JMX_OPTS="-Dcom.sun.management.jmxremote=true -Dcom.sun.management.jmxremote.authenticate=false -Dcom.sun.management.jmxremote.ssl=false -Djava.rmi.server.hostname=localhost -Djava.net.preferIPv4Stack=true"' /usr/lib/kafka/bin/kafka-server-start.sh
    sed -i "/kafka-run-class.sh/i export JMX_PORT=${KAFKA_JMX_PORT}" /usr/lib/kafka/bin/kafka-server-start.sh
  fi

  wait_for_zookeeper

  # Start Kafka.
  service kafka-server restart

  wait_for_kafka
}

function install_kafka_python_package() {
  KAFKA_PYTHON_PACKAGE="kafka-python==2.0.2"
  if [[ "${INSTALL_KAFKA_PYTHON}" != "true" ]]; then
    return
  fi

  if [[ "$(echo "${DATAPROC_IMAGE_VERSION} > 2.0" | bc)" -eq 1 ]]; then
    /opt/conda/default/bin/pip install "${KAFKA_PYTHON_PACKAGE}" || { sleep 10; /opt/conda/default/bin/pip install "${KAFKA_PYTHON_PACKAGE}"; }
  else
    OS=$(. /etc/os-release && echo "${ID}")
    if [[ "${OS}" == "rocky" ]]; then
      yum install -y python2-pip
    else
      apt-get install -y python-pip
    fi
    pip2 install "${KAFKA_PYTHON_PACKAGE}" || { sleep 10; pip2 install "${KAFKA_PYTHON_PACKAGE}"; } || { sleep 10; pip install "${KAFKA_PYTHON_PACKAGE}"; }
  fi
}

function remove_old_backports {
  # This script uses 'apt-get update' and is therefore potentially dependent on
  # backports repositories which have been archived.  In order to mitigate this
  # problem, we will remove any reference to backports repos older than oldstable

  # https://github.com/GoogleCloudDataproc/initialization-actions/issues/1157
  oldstable=$(curl -s https://deb.debian.org/debian/dists/oldstable/Release | awk '/^Codename/ {print $2}');
  stable=$(curl -s https://deb.debian.org/debian/dists/stable/Release | awk '/^Codename/ {print $2}');

  matched_files="$(grep -rsil '\-backports' /etc/apt/sources.list*)"
  if [[ -n "$matched_files" ]]; then
    for filename in "$matched_files"; do
      grep -e "$oldstable-backports" -e "$stable-backports" "$filename" || \
        sed -i -e 's/^.*-backports.*$//' "$filename"
    done
  fi
}

function main() {
  OS=$(. /etc/os-release && echo "${ID}")
  if [[ ${OS} == debian ]] && [[ $(echo "${DATAPROC_IMAGE_VERSION} <= 2.1" | bc -l) == 1 ]]; then
    remove_old_backports
  fi
  recv_keys || err 'Unable to receive keys.'
  update_apt_get || err 'Unable to update packages lists.'
  install_kafka_python_package

  # Only run the installation on workers; verify zookeeper on master(s).
  if [[ "${ROLE}" == 'Master' ]]; then
    service zookeeper-server status ||
      err 'Required zookeeper-server not running on master!'
    if [[ "${RUN_ON_MASTER}" == "true" ]]; then
      # Run installation on masters.
      install_and_configure_kafka_server
    else
      # On master nodes, just install kafka command-line tools and libs but not
      # kafka-server.
      install_apt_get kafka ||
        err 'Unable to install kafka libraries on master!'
    fi
  else
    # Run installation on workers.
    install_and_configure_kafka_server
  fi
}

main

  2. Copia la secuencia de comandos de la acción de inicialización kafka.sh en tu bucket de Cloud Storage. Con esta secuencia de comandos, se instala Kafka en un clúster de Dataproc.

    1. Abre Cloud Shell y ejecuta el siguiente comando: 

      gsutil cp gs://goog-dataproc-initialization-actions-REGION/kafka/kafka.sh gs://BUCKET_NAME/scripts/

      Realiza los siguientes reemplazos:

      • REGION: kafka.sh se almacena en buckets públicos etiquetados regionalmente en Cloud Storage. Especifica una región de Compute Engine cercana a nivel geográfico (por ejemplo: us-central1).
      • BUCKET_NAME: Es el nombre de tu bucket de Cloud Storage.

Crea un clúster de Kafka de Dataproc

  1. Abre Cloud Shell y ejecuta el siguiente comando gcloud dataproc clusters create para crear un clúster de alta disponibilidad de Dataproc que instale los componentes de Kafka y ZooKeeper:

    gcloud dataproc clusters create KAFKA_CLUSTER \
    --project=PROJECT_ID \
    --region=REGION \
    --image-version=2.1-debian11 \
    --num-masters=3 \
    --enable-component-gateway \
    --initialization-actions=gs://BUCKET_NAME/scripts/kafka.sh

    Notas:

    • KAFKA_CLUSTER: El nombre del clúster, que debe ser único dentro de un proyecto. Debe comenzar con una letra minúscula y puede contener hasta 51 letras minúsculas, números y guiones. No puede terminar con un guion. El nombre de un clúster borrado se puede volver a usar.
    • PROJECT_ID: El proyecto que se asociará con este clúster.
    • REGION: Es la región de Compute Engine en la que se ubicará el clúster, como us-central1.
      • Puedes agregar la marca --zone=ZONE opcional para especificar una zona dentro de la región especificada, como us-central1-a. Si no especificas una zona, la función de posición de zona automática de Dataproc selecciona una zona con la región especificada.
    • --image-version: Se recomienda la versión de imagen de Dataproc 2.1-debian11 para este instructivo. Nota: Cada versión de la imagen contiene un conjunto de componentes preinstalados, incluido el componente de Hive que se usa en este instructivo (consulta Versiones de imágenes compatibles de Dataproc).
    • --num-master: Los nodos principales 3 crean un clúster de alta disponibilidad. El componente Zookeeper, que requiere Kafka, está preinstalado en un clúster de HA.
    • --enable-component-gateway: Habilita la puerta de enlace de componentes de Dataproc.
    • BUCKET_NAME: Es el nombre del bucket de Cloud Storage que contiene la secuencia de comandos de inicialización /scripts/kafka.sh (consulta Copia la secuencia de comandos de instalación de Kafka en Cloud Storage).

Crea un tema custdata de Kafka

Para crear un tema de Kafka en el clúster de Kafka de Dataproc, sigue estos pasos:

  1. Usa la utilidad SSH para abrir una ventana de la terminal en la VM de la instancia principal del clúster.

  2. Crea un tema custdata de Kafka.

    /usr/lib/kafka/bin/kafka-topics.sh \
    --bootstrap-server KAFKA_CLUSTER-w-0:9092 \
    --create --topic custdata

    Notas:

    • KAFKA_CLUSTER: Inserta el nombre de tu clúster de Kafka. -w-0:9092 significa el agente de Kafka que se ejecuta en el puerto 9092 en el nodo worker-0.

    • Puedes ejecutar los siguientes comandos después de crear el tema custdata:

      # List all topics.
/usr/lib/kafka/bin/kafka-topics.sh \
    --bootstrap-server KAFKA_CLUSTER-w-0:9092 \
    --list

      
# Consume then display topic data.
/usr/lib/kafka/bin/kafka-console-consumer.sh \
    --bootstrap-server KAFKA_CLUSTER-w-0:9092 \
    --topic custdata

      
# Count the number of messages in the topic.
/usr/lib/kafka/bin/kafka-run-class.sh kafka.tools.GetOffsetShell \
    --broker-list KAFKA_CLUSTER-w-0:9092 \
    --topic custdata

      
# Delete topic.
/usr/lib/kafka/bin/kafka-topics.sh \
    --bootstrap-server KAFKA_CLUSTER-w-0:9092 \
    --delete --topic custdata

Publica contenido en el tema custdata de Kafka

En la siguiente secuencia de comandos, se usa la herramienta Kafka de kafka-console-producer.sh para generar datos ficticios de los clientes en formato CSV.

  1. Copia y, luego, pégala en la terminal SSH del nodo principal de tu clúster de Kafka. Presiona <return> para ejecutar la secuencia de comandos.

    for i in {1..10000}; do \
custname="cust name${i}"
uuid=$(dbus-uuidgen)
age=$((45 + $RANDOM % 45))
amount=$(echo "$(( $RANDOM % 99999 )).$(( $RANDOM % 99 ))")
message="${uuid}:${custname},${age},${amount}"
echo ${message}
done | /usr/lib/kafka/bin/kafka-console-producer.sh \
--broker-list KAFKA_CLUSTER-w-0:9092 \
--topic custdata \
--property "parse.key=true" \
--property "key.separator=:"

    Notas:

    • KAFKA_CLUSTER: Es el nombre del clúster de Kafka.

  2. Ejecuta el siguiente comando de Kafka para confirmar que el tema custdata contenga 10,000 mensajes.

    /usr/lib/kafka/bin/kafka-run-class.sh kafka.tools.GetOffsetShell \
--broker-list KAFKA_CLUSTER-w-0:9092 \
--topic custdata

    Notas:

    • KAFKA_CLUSTER: Es el nombre del clúster de Kafka.

    Resultado esperado:

    custdata:0:10000

Crea tablas de Hive en Cloud Storage

Crear tablas de Hive para recibir datos del tema de Kafka transmitidos Realiza los siguientes pasos para crear tablas de Hive cust_parquet (parquet) y cust_orc (ORC) en tu bucket de Cloud Storage.

  1. Inserta tu BUCKET_NAME en la siguiente secuencia de comandos; luego, copia y pega la secuencia de comandos en la terminal SSH del nodo instancia principal del clúster de Kafka y presiona <return> para crear una secuencia de comandos ~/hivetables.hql (lenguaje de consulta Hive).

    En el siguiente paso, ejecutarás la secuencia de comandos ~/hivetables.hql para crear tablas Parquet y ORC de Hive en tu bucket de Cloud Storage.

    cat > ~/hivetables.hql <<EOF
drop table if exists cust_parquet;
create external table if not exists cust_parquet
(uuid string, custname string, age string, amount string)
row format delimited fields terminated by ','
stored as parquet
location "gs://BUCKET_NAME/tables/cust_parquet";

    
drop table if exists cust_orc;
create external table if not exists cust_orc
(uuid string, custname string, age string, amount string)
row format delimited fields terminated by ','
stored as orc
location "gs://BUCKET_NAME/tables/cust_orc";
EOF

  2. En la terminal SSH del nodo principal de tu clúster de Kafka, envía el trabajo de Hive ~/hivetables.hql para crear tablas de Hive cust_parquet (parquet) y cust_orc (ORC) en tu bucket de Cloud Storage. 

    gcloud dataproc jobs submit hive \
    --cluster=KAFKA_CLUSTER \
    --region=REGION \
    -f ~/hivetables.hql

    Notas:

    • El componente de Hive está preinstalado en el clúster de Kafka de Dataproc. Consulta las versiones de actualización 2.1.x para obtener una lista de las versiones de los componentes de Hive incluidas en las imágenes 2.1 lanzadas recientemente.
    • KAFKA_CLUSTER: Es el nombre del clúster de Kafka.
    • REGION: Es la región en la que se encuentra el clúster de Kafka.

Transmite custdata de Kafka a tablas de Hive

  1. Ejecuta el siguiente comando en la terminal SSH del nodo principal de tu clúster de Kafka para instalar la biblioteca kafka-python. Se necesita un cliente de Kafka para transmitir datos del tema de Kafka a Cloud Storage.
    pip install kafka-python

  2. Inserta tu BUCKET_NAME. Luego, copia y pega el siguiente código de PySpark en la terminal de SSH del nodo instancia principal del clúster de Kafka y, luego, presiona <return> para crear un archivo streamdata.py.

    La secuencia de comandos se suscribe al tema custdata de Kafka y, luego, transmite los datos a tus tablas de Hive en Cloud Storage. El formato de salida, que puede ser ORC o Parquet, se pasa a la secuencia de comandos como un parámetro.

    cat > streamdata.py <<EOF
#!/bin/python

import sys
from pyspark.sql.functions import *
from pyspark.sql.types import *
from pyspark.sql import SparkSession
from kafka import KafkaConsumer

def getNameFn (data): return data.split(",")[0]
def getAgeFn  (data): return data.split(",")[1]
def getAmtFn  (data): return data.split(",")[2]

def main(cluster, outputfmt):
    spark = SparkSession.builder.appName("APP").getOrCreate()
    spark.sparkContext.setLogLevel("WARN")
    Logger = spark._jvm.org.apache.log4j.Logger
    logger = Logger.getLogger(__name__)

    rows = spark.readStream.format("kafka") \
    .option("kafka.bootstrap.servers", cluster+"-w-0:9092").option("subscribe", "custdata") \
    .option("startingOffsets", "earliest")\
    .load()

    getNameUDF = udf(getNameFn, StringType())
    getAgeUDF  = udf(getAgeFn,  StringType())
    getAmtUDF  = udf(getAmtFn,  StringType())

    logger.warn("Params passed in are cluster name: " + cluster + "  output format(sink): " + outputfmt)

    query = rows.select (col("key").cast("string").alias("uuid"),\
        getNameUDF      (col("value").cast("string")).alias("custname"),\
        getAgeUDF       (col("value").cast("string")).alias("age"),\
        getAmtUDF       (col("value").cast("string")).alias("amount"))

    writer = query.writeStream.format(outputfmt)\
            .option("path","gs://BUCKET_NAME/tables/cust_"+outputfmt)\
            .option("checkpointLocation", "gs://BUCKET_NAME/chkpt/"+outputfmt+"wr") \
        .outputMode("append")\
        .start()

    writer.awaitTermination()

if __name__=="__main__":
    if len(sys.argv) < 2:
        print ("Invalid number of arguments passed ", len(sys.argv))
        print ("Usage: ", sys.argv[0], " cluster  format")
        print ("e.g.:  ", sys.argv[0], " <cluster_name>  orc")
        print ("e.g.:  ", sys.argv[0], " <cluster_name>  parquet")
    main(sys.argv[1], sys.argv[2])

EOF

  3. En la terminal SSH del nodo principal de tu clúster de Kafka, ejecuta spark-submit para transmitir datos a tus tablas de Hive en Cloud Storage.

    1. Inserta el nombre de tu KAFKA_CLUSTER y el FORMAT de salida, copia y pega el siguiente código en la terminal SSH del nodo principal de tu clúster de Kafka y presiona <return> para ejecutar el código y transmitir los datos custdata de Kafka en formato Parquet a tus tablas de Hive en Cloud Storage. 

      spark-submit --packages \
org.apache.spark:spark-streaming-kafka-0-10_2.12:3.1.3,org.apache.spark:spark-sql-kafka-0-10_2.12:3.1.3 \
    --conf spark.history.fs.gs.outputstream.type=FLUSHABLE_COMPOSITE \
    --conf spark.driver.memory=4096m \
    --conf spark.executor.cores=2 \
    --conf spark.executor.instances=2 \
    --conf spark.executor.memory=6144m \
    streamdata.py KAFKA_CLUSTER FORMAT

      Notas:

      • KAFKA_CLUSTER: Inserta el nombre de tu clúster de Kafka.
      • FORMAT: Especifica parquet o orc como el formato de salida. Puedes ejecutar el comando de forma sucesiva para transmitir ambos formatos a las tablas de Hive: por ejemplo, en la primera invocación, especifica parquet para transmitir el tema custdata de Kafka a la tabla Parquet de Hive. Luego, en la segunda invocación, especifica el formato orc para transmitir custdata a la tabla ORC de Hive.

  4. Después de que se detenga la salida estándar en la terminal SSH, lo que significa que se transmitió todo el custdata, presiona <control-c> en la terminal SSH para detener el proceso.

  5. Enumerar las tablas de Hive en Cloud Storage

    gsutil ls -r gs://BUCKET_NAME/tables/*

    Notas:

    • BUCKET_NAME: Inserta el nombre del bucket de Cloud Storage que contiene las tablas de Hive (consulta Crea tablas de Hive).

Consultar datos transmitidos

  1. En la terminal SSH del nodo principal de tu clúster de Kafka, ejecuta el siguiente comando hive para contar los mensajes custdata de Kafka transmitidos en las tablas de Hive en Cloud Storage.

    hive -e "select count(1) from TABLE_NAME"

    Notas:

    • TABLE_NAME: Especifica cust_parquet o cust_orc como el nombre de la tabla de Hive.

    Fragmento de resultado esperado:

...
Status: Running (Executing on YARN cluster with App id application_....)

----------------------------------------------------------------------------------------------
        VERTICES      MODE        STATUS  TOTAL  COMPLETED  RUNNING  PENDING  FAILED  KILLED  
----------------------------------------------------------------------------------------------
Map 1 .......... container     SUCCEEDED      1          1        0        0       0       0
Reducer 2 ...... container     SUCCEEDED      1          1        0        0       0       0
----------------------------------------------------------------------------------------------
VERTICES: 02/02  [==========================>>] 100%  ELAPSED TIME: 9.89 s     
----------------------------------------------------------------------------------------------
OK
10000
Time taken: 21.394 seconds, Fetched: 1 row(s)

Limpia

Borra el proyecto

    Borra un proyecto de Google Cloud:

    gcloud projects delete PROJECT_ID

Borrar los recursos

  • Borra el depósito
    gcloud storage buckets delete BUCKET_NAME
  • Borra tu clúster de Kafka: 
    gcloud dataproc clusters delete KAFKA_CLUSTER \
    --region=${REGION}