Utilizzo del connettore Cloud Storage con Apache Spark

---

Questo tutorial mostra come eseguire un codice di esempio che utilizza Connettore Cloud Storage con Apache Spark.

Obiettivi

Scrivi un semplice job Spark di conteggio parole in Java, Scala o Python, quindi esegui il job su un cluster Dataproc.

È preinstallato un cluster Dataproc con i componenti Spark necessari per questo tutorial.

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

• Compute Engine
• Dataproc
• 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.

Prima di iniziare

Esegui i passaggi riportati di seguito per prepararti a eseguire il codice in questo tutorial.

1. Configura il progetto. Se necessario, configura un progetto con Dataproc, Compute Engine e le API Cloud Storage abilitate e Google Cloud CLI installato sulla macchina locale.

   1. Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.

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

      Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

      Go to project selector

   3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

   4. Abilita le API Dataproc, Compute Engine, and Cloud Storage.

      Abilita le API

   5. Create a service account:

      1. In the Google Cloud console, go to the Create service account page.

         Go to Create service account
      2. Select your project.

      3. In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

         In the Service account description field, enter a description. For example, Service account for quickstart.

      4. Click Create and continue.

      5. Grant the Project > Owner role to the service account.

         To grant the role, find the Select a role list, then select Project > Owner.

         Note: The Role field affects which resources the service account can access in your project. You can revoke these roles or grant additional roles later. In production environments, do not grant the Owner, Editor, or Viewer roles. Instead, grant a predefined role or custom role that meets your needs.
      6. Click Continue.

      7. Click Done to finish creating the service account.

         Do not close your browser window. You will use it in the next step.

   6. Create a service account key:

      1. In the Google Cloud console, click the email address for the service account that you created.
      2. Click Keys.
      3. Click Add key, and then click Create new key.
      4. Click Create. A JSON key file is downloaded to your computer.
      5. Click Close.

   7. Imposta la variabile di ambiente GOOGLE_APPLICATION_CREDENTIALS sul percorso del file JSON che contiene le tue credenziali. Questa variabile si applica solo alla sessione di shell attuale. Pertanto, se apri una nuova sessione, imposta di nuovo la variabile.

      Esempio: Linux o macOS

      export GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

      Sostituisci KEY_PATH con il percorso del file JSON che contiene le tue credenziali.

      Ad esempio:

      export GOOGLE_APPLICATION_CREDENTIALS="/home/user/Downloads/service-account-file.json"

      Esempio: Windows

      Per PowerShell:

      $env:GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

      Sostituisci KEY_PATH con il percorso del file JSON che contiene le tue credenziali.

      Ad esempio:

      $env:GOOGLE_APPLICATION_CREDENTIALS="C:\Users\username\Downloads\service-account-file.json"

      Per il prompt dei comandi:

      set GOOGLE_APPLICATION_CREDENTIALS=KEY_PATH

      Sostituisci KEY_PATH con il percorso del file JSON che contiene le tue credenziali.

   8. Install the Google Cloud CLI.

   9. To initialize the gcloud CLI, run the following command:

      gcloud init

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

       Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

       Go to project selector

   11. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

   12. Abilita le API Dataproc, Compute Engine, and Cloud Storage.

       Abilita le API

   13. Create a service account:

       1. In the Google Cloud console, go to the Create service account page.

          Go to Create service account
       2. Select your project.

       3. In the Service account name field, enter a name. The Google Cloud console fills in the Service account ID field based on this name.

          In the Service account description field, enter a description. For example, Service account for quickstart.

       4. Click Create and continue.

       5. Grant the Project > Owner role to the service account.

          To grant the role, find the Select a role list, then select Project > Owner.

          Note: The Role field affects which resources the service account can access in your project. You can revoke these roles or grant additional roles later. In production environments, do not grant the Owner, Editor, or Viewer roles. Instead, grant a predefined role or custom role that meets your needs.
       6. Click Continue.

       7. Click Done to finish creating the service account.

          Do not close your browser window. You will use it in the next step.

   14. Create a service account key:

       1. In the Google Cloud console, click the email address for the service account that you created.
       2. Click Keys.
       3. Click Add key, and then click Create new key.
       4. Click Create. A JSON key file is downloaded to your computer.
       5. Click Close.

   15. Imposta la variabile di ambiente GOOGLE_APPLICATION_CREDENTIALS sul percorso del file JSON che contiene le tue credenziali. Questa variabile si applica solo alla sessione di shell attuale. Pertanto, se apri una nuova sessione, imposta di nuovo la variabile.

       Esempio: Linux o macOS

       export GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

       Sostituisci KEY_PATH con il percorso del file JSON che contiene le tue credenziali.

       Ad esempio:

       export GOOGLE_APPLICATION_CREDENTIALS="/home/user/Downloads/service-account-file.json"

       Esempio: Windows

       Per PowerShell:

       $env:GOOGLE_APPLICATION_CREDENTIALS="KEY_PATH"

       Sostituisci KEY_PATH con il percorso del file JSON che contiene le tue credenziali.

       Ad esempio:

       $env:GOOGLE_APPLICATION_CREDENTIALS="C:\Users\username\Downloads\service-account-file.json"

       Per il prompt dei comandi:

       set GOOGLE_APPLICATION_CREDENTIALS=KEY_PATH

       Sostituisci KEY_PATH con il percorso del file JSON che contiene le tue credenziali.

   16. Install the Google Cloud CLI.

   17. To initialize the gcloud CLI, run the following command:

       gcloud init

2. Crea un bucket Cloud Storage. Hai bisogno di uno spazio di archiviazione Cloud Storage in cui conservare i dati del tutorial. Se non ne hai uno pronto per l'uso, crea un nuovo bucket nel tuo progetto.

   1. Nella console Google Cloud, vai alla pagina Bucket di Cloud Storage.

      Vai alla pagina Bucket

   2. Fai clic su Crea bucket.
   3. Nella pagina Crea un bucket, inserisci le informazioni del bucket. Per andare al passaggio successivo, fai clic su Continua.
      • In Assegna un nome al bucket, inserisci un nome che soddisfi i requisiti di denominazione dei bucket.
      • Per Scegli dove archiviare i tuoi dati, segui questi passaggi:
        • Seleziona un'opzione Tipo di località.
        • Seleziona un'opzione Località.
      • In Scegli una classe di archiviazione predefinita per i dati, seleziona una classe di archiviazione.
      • Per Scegli come controllare l'accesso agli oggetti, seleziona un'opzione Controllo dell'accesso.
      • In Impostazioni avanzate (facoltative), specifica un metodo di crittografia, un criterio di conservazione o le etichette dei bucket.
   4. Fai clic su Crea.

3. Imposta le variabili di ambiente locali. Imposta le variabili di ambiente dalla macchina locale. Imposta l'ID progetto Google Cloud e il nome Bucket Cloud Storage che utilizzerai per questo tutorial. Indica inoltre nome e regione di un cluster Dataproc esistente o nuovo. Puoi creare un cluster da utilizzare in questo tutorial nel passaggio successivo.

   PROJECT=project-id
   

   BUCKET_NAME=bucket-name
   

   CLUSTER=cluster-name
   

   REGION=cluster-region Example: "us-central1"
   

4. Crea un cluster Dataproc. Esegui il comando riportato di seguito per Creare un nodo singolo Cluster Dataproc nel cluster specificato Zona di Compute Engine.

   gcloud dataproc clusters create ${CLUSTER} \
       --project=${PROJECT} \
       --region=${REGION} \
       --single-node
   

   Il comando precedente installa l'app versione dell'immagine del cluster. Puoi utilizzare lo --image-version per selezionare una versione immagine per il cluster. Ogni versione immagine viene installata specifiche dei componenti delle librerie Spark e Scala. Se prepara il job di conteggio parole di Spark in Java o Scala, farai riferimento alle versioni Spark e Scala installate sul cluster durante la preparazione del pacchetto di job.

5. Copia i dati pubblici nel tuo bucket Cloud Storage. Copiare un dato pubblico Snippet di testo di Shakespeare nella cartella input del Bucket Cloud Storage:

   gcloud storage cp gs://pub/shakespeare/rose.txt \
       gs://${BUCKET_NAME}/input/rose.txt
   

6. Configura Java (Apache Maven), Scala (SBT), oppure Python di sviluppo software.

   Utilizzare Cloud Shell. Cloud Shell include usati in questo tutorial, tra cui Apache Maven, Python, e Google Cloud CLI.

prepara il job di conteggio parole di Spark

Seleziona una scheda di seguito per seguire i passaggi per preparare un pacchetto di job o un file per l'invio al cluster. Puoi preparare uno dei seguenti tipi di prestazioni:

• Job Spark in Java utilizzando Apache Maven per creare un Pacchetto JAR
• Crea job in Scala utilizzando SBT per creare un Pacchetto JAR
• Crea job in Python (PySpark)

Java

1. Copia il file pom.xml sulla tua macchina locale. Il seguente file pom.xml specifica la libreria Scala e Spark con dipendenze, a cui è assegnato un ambito provided indica che il cluster Dataproc fornirà questi delle librerie in fase di runtime. Il file pom.xml non specifica Dipendenza da Cloud Storage perché il connettore implementa lo standard Interfaccia HDFS. Quando un job Spark accede ai file del cluster Cloud Storage (file con URI che iniziano con gs://), il sistema utilizza automaticamente il connettore Cloud Storage per accedere in Cloud Storage
   Controlla la versione dell'immagine del cluster. Sostituisci i segnaposto version nel file per mostrare Le versioni delle librerie Spark e Scala utilizzate dal cluster versione immagine. Tieni presente che il numero artefatto spark-core_ è il valore Scala Numero di versione major.minor.

   <?xml version="1.0" encoding="UTF-8"?>
   <project xmlns="http://maven.apache.org/POM/4.0.0"
       xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
       xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
     <modelVersion>4.0.0</modelVersion>
   
     <groupId>dataproc.codelab</groupId>
     <artifactId>word-count</artifactId>
     <version>1.0</version>
   
     <properties>
       <maven.compiler.source>1.8</maven.compiler.source>
       <maven.compiler.target>1.8</maven.compiler.target>
     </properties>
   
     <dependencies>
       <dependency>
         <groupId>org.scala-lang</groupId>
         <artifactId>scala-library</artifactId>
         <version>Scala version, for example, 2.11.8</version>
         <scope>provided</scope>
       </dependency>
       <dependency>
         <groupId>org.apache.spark</groupId>
         <artifactId>spark-core_Scala major.minor.version, for example, 2.11</artifactId>
         <version>Spark version, for example, 2.3.1</version>
         <scope>provided</scope>
       </dependency>
     </dependencies>
   </project>
   

2. Copia il codice WordCount.java elencato di seguito, alla tua macchina locale.
   1. Crea un insieme di directory con il percorso src/main/java/dataproc/codelab:

      mkdir -p src/main/java/dataproc/codelab
      

   2. Copia WordCount.java sulla tua macchina locale in src/main/java/dataproc/codelab:

      cp WordCount.java src/main/java/dataproc/codelab
      

   WordCount.java è un semplice job Spark in Java che legge i file di testo da Cloud Storage, esegue un conteggio delle parole e poi scrive i risultati del file di testo in Cloud Storage.

   package dataproc.codelab;
   
   import java.util.Arrays;
   import org.apache.spark.SparkConf;
   import org.apache.spark.api.java.JavaPairRDD;
   import org.apache.spark.api.java.JavaRDD;
   import org.apache.spark.api.java.JavaSparkContext;
   import scala.Tuple2;
   
   public class WordCount {
     public static void main(String[] args) {
       if (args.length != 2) {
         throw new IllegalArgumentException("Exactly 2 arguments are required: <inputUri> <outputUri>");
       }
       String inputPath = args[0];
       String outputPath = args[1];
       JavaSparkContext sparkContext = new JavaSparkContext(new SparkConf().setAppName("Word Count"));
       JavaRDD<String> lines = sparkContext.textFile(inputPath);
       JavaRDD<String> words = lines.flatMap(
           (String line) -> Arrays.asList(line.split(" ")).iterator()
       );
       JavaPairRDD<String, Integer> wordCounts = words.mapToPair(
           (String word) -> new Tuple2<>(word, 1)
       ).reduceByKey(
           (Integer count1, Integer count2) -> count1 + count2
       );
       wordCounts.saveAsTextFile(outputPath);
     }
   }
   

3. Crea il pacchetto.

   mvn clean package
   

   Se la creazione ha esito positivo, viene restituito un target/word-count-1.0.jar viene creato.
4. Staging del pacchetto in Cloud Storage.

   gcloud storage cp target/word-count-1.0.jar \
       gs://${BUCKET_NAME}/java/word-count-1.0.jar
   

Scala

1. Copia il file build.sbt sulla tua macchina locale. Il seguente file build.sbt specifica la libreria Scala e Spark con dipendenze, a cui è assegnato un ambito provided indica che il cluster Dataproc fornirà questi delle librerie in fase di runtime. Il file build.sbt non specifica Dipendenza da Cloud Storage perché il connettore implementa lo standard Interfaccia HDFS. Quando un job Spark accede ai file del cluster Cloud Storage (file con URI che iniziano con gs://), il sistema utilizza automaticamente il connettore Cloud Storage per accedere in Cloud Storage
   Controlla la versione dell'immagine del cluster. Sostituisci i segnaposto version nel file per mostrare Le versioni delle librerie Spark e Scala utilizzate dal cluster versione immagine.

   scalaVersion := "Scala version, for example, 2.11.8"
   
   name := "word-count"
   organization := "dataproc.codelab"
   version := "1.0"
   
   libraryDependencies ++= Seq(
     "org.scala-lang" % "scala-library" % scalaVersion.value % "provided",
     "org.apache.spark" %% "spark-core" % "Spark version, for example, 2.3.1" % "provided"
   )
   
   

2. Copia word-count.scala sulla tua macchina locale. Si tratta di un semplice job Spark in Java che legge i file di testo da Cloud Storage, esegue un conteggio di parole e scrive i risultati del file di testo in Cloud Storage.

   package dataproc.codelab
   
   import org.apache.spark.SparkContext
   import org.apache.spark.SparkConf
   
   object WordCount {
     def main(args: Array[String]) {
       if (args.length != 2) {
         throw new IllegalArgumentException(
             "Exactly 2 arguments are required: <inputPath> <outputPath>")
       }
   
       val inputPath = args(0)
       val outputPath = args(1)
   
       val sc = new SparkContext(new SparkConf().setAppName("Word Count"))
       val lines = sc.textFile(inputPath)
       val words = lines.flatMap(line => line.split(" "))
       val wordCounts = words.map(word => (word, 1)).reduceByKey(_ + _)
       wordCounts.saveAsTextFile(outputPath)
     }
   }
   
   

3. Crea il pacchetto.

   sbt clean package
   

   Se la creazione ha esito positivo, viene restituito un target/scala-2.11/word-count_2.11-1.0.jar viene creato.
4. Staging del pacchetto in Cloud Storage.

   gcloud storage cp target/scala-2.11/word-count_2.11-1.0.jar \
       gs://${BUCKET_NAME}/scala/word-count_2.11-1.0.jar
   

Python

1. Copia word-count.py sulla tua macchina locale. Questo è un semplice job Spark in Python che utilizza PySpark, che legge i file di testo da Cloud Storage, esegue un conteggio di parole e scrive i risultati del file di testo in Cloud Storage.

   #!/usr/bin/env python
   
   import pyspark
   import sys
   
   if len(sys.argv) != 3:
     raise Exception("Exactly 2 arguments are required: <inputUri> <outputUri>")
   
   inputUri=sys.argv[1]
   outputUri=sys.argv[2]
   
   sc = pyspark.SparkContext()
   lines = sc.textFile(sys.argv[1])
   words = lines.flatMap(lambda line: line.split())
   wordCounts = words.map(lambda word: (word, 1)).reduceByKey(lambda count1, count2: count1 + count2)
   wordCounts.saveAsTextFile(sys.argv[2])
   

Invia il job

Esegui questo comando gcloud per inviare il job di conteggio parole al tuo di un cluster Dataproc.

Java

gcloud dataproc jobs submit spark \
    --cluster=${CLUSTER} \
    --class=dataproc.codelab.WordCount \
    --jars=gs://${BUCKET_NAME}/java/word-count-1.0.jar \
    --region=${REGION} \
    -- gs://${BUCKET_NAME}/input/ gs://${BUCKET_NAME}/output/

Scala

gcloud dataproc jobs submit spark \
    --cluster=${CLUSTER} \
    --class=dataproc.codelab.WordCount \
    --jars=gs://${BUCKET_NAME}/scala/word-count_2.11-1.0.jar \
    --region=${REGION} \
    -- gs://${BUCKET_NAME}/input/ gs://${BUCKET_NAME}/output/

Python

gcloud dataproc jobs submit pyspark word-count.py \
    --cluster=${CLUSTER} \
    --region=${REGION} \
    -- gs://${BUCKET_NAME}/input/ gs://${BUCKET_NAME}/output/

Visualizza l'output

Al termine del job, esegui questa interfaccia alla gcloud CLI per visualizzare l'output del conteggio parole.

gcloud storage cat gs://${BUCKET_NAME}/output/*

L'output del conteggio parole dovrebbe essere simile al seguente:

(a,2)
(call,1)
(What's,1)
(sweet.,1)
(we,1)
(as,1)
(name?,1)
(any,1)
(other,1)
(rose,1)
(smell,1)
(name,1)
(would,1)
(in,1)
(which,1)
(That,1)
(By,1)

Esegui la pulizia

Al termine del tutorial, puoi eseguire la pulizia delle risorse che hai creato in modo che smettono di usare la quota e comportano addebiti. Le seguenti sezioni descrivono come eliminare o disattivare queste risorse.

Elimina il progetto

Il modo più semplice per eliminare la fatturazione creato per il tutorial.

Per eliminare il progetto:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività in questo documento, quando lo elimini elimini anche qualsiasi altro lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella console Google Cloud, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.

Eliminazione del cluster Dataproc

Anziché eliminare il progetto, potresti voler eliminare solo il cluster all'interno del progetto.

Eliminazione del bucket Cloud Storage

Console Google Cloud

1. Nella console Google Cloud, vai alla pagina Bucket di Cloud Storage.

   Vai a Bucket

2. Fai clic sulla casella di controllo relativa al bucket da eliminare.
3. Per eliminare il bucket, fai clic su Elimina e segui le istruzioni.

Riga di comando

Elimina il bucket:

gcloud storage buckets delete BUCKET_NAME

Importante: il bucket deve essere vuoto prima di poter essere eliminato.

Passaggi successivi

• Consulta i suggerimenti per l'ottimizzazione dei job di Spark