Dataproc での Presto の使用

Presto は、複数の異種混合データソースに分散された大規模なデータセットをクエリするために設計された分散 SQL クエリエンジンです。Presto は、コネクタを介して Hive、MySQL、Kafka などのデータソースに対してクエリを実行できます。このチュートリアルでは、次の方法について説明します。

  • Dataproc クラスタに Presto サービスをインストールする
  • クラスタ上の Presto サービスと通信するローカルマシンにインストールされた Presto クライアントから一般公開データをクエリする
  • Presto Java JDBC ドライバを介してクラスタの Presto サービスと通信する Java アプリケーションからクエリを実行する

目標

  1. Presto がインストールされた Dataproc クラスタを作成します

  2. データを準備します。このチュートリアルでは、BigQuery で利用可能な Chicago Taxi Trips の一般公開データセットを使用します。

    1. BigQuery からデータを抽出する
    2. データを CSV ファイルとして Cloud Storage にデータを読み込む
    3. データを変換する
      1. データを Hive 外部テーブルとして公開し、Presto でデータをクエリ可能にする
      2. データを CSV 形式から Parquet 形式に変換してクエリを高速化する
  3. SSH トンネルまたは Presto JDBC ドライバを個別に使用して、クラスタで実行されている Presto コーディネーターに Presto CLI またはアプリケーション コードクエリを送信します

  4. ログを確認し、Presto Web UI から Presto サービスを監視します

料金

このチュートリアルでは、Google Cloud の課金対象となる以下のコンポーネントを使用します。

料金計算ツールを使うと、予想使用量に基づいて費用の見積もりを出すことができます。Google Cloud の新規ユーザーは無料トライアルをご利用いただける場合があります。

始める前に

まだ作成していない場合は、このチュートリアルで使用するデータを格納する Google Cloud プロジェクトと Cloud Storage バケットを作成します。

  1. プロジェクトの設定

    1. Google アカウントにログインします。

      Google アカウントをまだお持ちでない場合は、新しいアカウントを登録します。

    2. Cloud Console のプロジェクト セレクタページで、Cloud プロジェクトを選択または作成します。

      プロジェクト セレクタのページに移動

    3. Google Cloud プロジェクトに対して課金が有効になっていることを確認します。プロジェクトに対して課金が有効になっていることを確認する方法を学習する

    4. Dataproc, Compute Engine, Cloud Storage, and BigQuery API を有効にします。

      API を有効にする

    5. Cloud SDK をインストールして初期化します。

  2. プロジェクトに Cloud Storage バケットを作成します。作成したバケットには、このチュートリアルで使用するデータを保存します。

    1. Cloud Console で、[Cloud Storage ブラウザ] ページに移動します。

      Cloud Storage ブラウザページに移動

    2. [バケットを作成] をクリックします。
    3. [バケットの作成] ダイアログ内で、以下の属性を指定します。
    4. [作成] をクリックします。

Dataproc クラスタを作成する

optional-components フラグ(イメージ cersion 1.3 以降で使用可能)を使用して Dataproc クラスタを作成して、クラスタに Presto オプション コンポーネントをインストールし、コンポーネント ゲートウェイを有効にして Cloud Console から Presto Web UI にアクセスできるようにする enable-component-gateway フラグを作成します。

  1. 環境変数を設定する
    • PROJECT: プロジェクト ID
    • BUCKET_NAME: 始める前にで作成した Cloud Storage バケットの名前
    • REGION: このチュートリアルで使用するクラスタが作成されるリージョン。例: 「us-west1」
    • WORKERS: このチュートリアルでは 3~5 人のワーカーをおすすめします
    export PROJECT=project-id
    export WORKERS=number
    export REGION=region
    export BUCKET_NAME=bucket-name
    
  2. ローカルマシンで gcloud コマンドライン ツールを実行して、クラスタを作成します。
    gcloud beta dataproc clusters create presto-cluster \
        --project=${PROJECT} \
        --region=${REGION} \
        --num-workers=${WORKERS} \
        --scopes=cloud-platform \
        --optional-components=PRESTO \
        --image-version=1.3  \
        --enable-component-gateway
    

データの準備

bigquery-public-datachicago_taxi_trips データセットを CSV ファイルとして Cloud Storage にエクスポートし、データを参照する Hive 外部テーブルを作成します。

  1. ローカルマシンで次のコマンドを実行して、始める前にで作成した Cloud Storage バケットに、BigQuery のタクシーデータをヘッダーのない CSV ファイルとしてインポートします。
    bq --location=us extract --destination_format=CSV \
         --field_delimiter=',' --print_header=false \
           "bigquery-public-data:chicago_taxi_trips.taxi_trips" \
           gs://${BUCKET_NAME}/chicago_taxi_trips/csv/shard-*.csv
    
  2. Cloud Storage バケット内の CSV ファイルと Parquet ファイルに基づいて Hive 外部テーブルを作成します。
    1. Hive 外部テーブル chicago_taxi_trips_csv を作成します。
      gcloud dataproc jobs submit hive \
          --cluster presto-cluster \
          --region=${REGION} \
          --execute "
              CREATE EXTERNAL TABLE chicago_taxi_trips_csv(
                unique_key   STRING,
                taxi_id  STRING,
                trip_start_timestamp  TIMESTAMP,
                trip_end_timestamp  TIMESTAMP,
                trip_seconds  INT,
                trip_miles   FLOAT,
                pickup_census_tract  INT,
                dropoff_census_tract  INT,
                pickup_community_area  INT,
                dropoff_community_area  INT,
                fare  FLOAT,
                tips  FLOAT,
                tolls  FLOAT,
                extras  FLOAT,
                trip_total  FLOAT,
                payment_type  STRING,
                company  STRING,
                pickup_latitude  FLOAT,
                pickup_longitude  FLOAT,
                pickup_location  STRING,
                dropoff_latitude  FLOAT,
                dropoff_longitude  FLOAT,
                dropoff_location  STRING)
              ROW FORMAT DELIMITED
              FIELDS TERMINATED BY ','
              STORED AS TEXTFILE
              location 'gs://${BUCKET_NAME}/chicago_taxi_trips/csv/';"
      
    2. Hive 外部テーブルの作成を確認します。
      gcloud dataproc jobs submit hive \
          --cluster presto-cluster \
          --region=${REGION} \
          --execute "SELECT COUNT(*) FROM chicago_taxi_trips_csv;"
      
    3. 同じ列に別の Hive 外部テーブル chicago_taxi_trips_parquet を作成します。ただし、クエリ パフォーマンスを向上させるために、データは Parquet 形式で保存します。
      gcloud dataproc jobs submit hive \
          --cluster presto-cluster \
          --region=${REGION} \
          --execute "
              CREATE EXTERNAL TABLE chicago_taxi_trips_parquet(
                unique_key   STRING,
                taxi_id  STRING,
                trip_start_timestamp  TIMESTAMP,
                trip_end_timestamp  TIMESTAMP,
                trip_seconds  INT,
                trip_miles   FLOAT,
                pickup_census_tract  INT,
                dropoff_census_tract  INT,
                pickup_community_area  INT,
                dropoff_community_area  INT,
                fare  FLOAT,
                tips  FLOAT,
                tolls  FLOAT,
                extras  FLOAT,
                trip_total  FLOAT,
                payment_type  STRING,
                company  STRING,
                pickup_latitude  FLOAT,
                pickup_longitude  FLOAT,
                pickup_location  STRING,
                dropoff_latitude  FLOAT,
                dropoff_longitude  FLOAT,
                dropoff_location  STRING)
              STORED AS PARQUET
              location 'gs://${BUCKET_NAME}/chicago_taxi_trips/parquet/';"
      
    4. Hive CSV テーブルから Hive Parquet テーブルにデータを読み込みます。
      gcloud dataproc jobs submit hive \
          --cluster presto-cluster \
          --region=${REGION} \
          --execute "
              INSERT OVERWRITE TABLE chicago_taxi_trips_parquet
              SELECT * FROM chicago_taxi_trips_csv;"
      
    5. データが正しく読み込まれたことを確認します。
      gcloud dataproc jobs submit hive \
          --cluster presto-cluster \
          --region=${REGION} \
          --execute "SELECT COUNT(*) FROM chicago_taxi_trips_parquet;"
      

クエリを実行する

クエリは、Presto CLI またはアプリケーションからローカルで実行できます。

Presto CLI クエリ

このセクションでは、Presto CLI を使用して Hive Parquet タクシー データセットをクエリする方法を説明します。

  1. ローカルマシンで次のコマンドを実行して、クラスタのマスターノードに SSH 接続します。コマンドの実行中、ローカル ターミナルは応答しなくなります。
    gcloud compute ssh presto-cluster-m
    
  2. クラスタのマスターノードの SSH ターミナルウィンドウで、マスターノードで実行されている Presto サーバーに接続する Preto CLI を実行します。
    presto --catalog hive --schema default
    
  3. presto:default プロンプトで、Presto で Hive テーブルの検出が可能なことを確認します。
    show tables;
    
    Table
    ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
     chicago_taxi_trips_csv
     chicago_taxi_trips_parquet
    (2 rows)
    
  4. presto:default プロンプトからクエリを実行し、Parquet と CSV データのクエリのパフォーマンスを比較します。
    • Parquet データのクエリ
      select count(*) from chicago_taxi_trips_parquet where trip_miles > 50;
      
       _col0
      ‐‐‐‐‐‐‐‐
       117957
      (1 row)
      Query 20180928_171735_00006_2sz8c, FINISHED, 3 nodes Splits: 308 total, 308 done (100.00%) 0:16 [113M rows, 297MB] [6.91M rows/s, 18.2MB/s]
    • CSV データのクエリ
      select count(*) from chicago_taxi_trips_csv where trip_miles > 50;
      
      _col0
      ‐‐‐‐‐‐‐‐
       117957
      (1 row)
      Query 20180928_171936_00009_2sz8c, FINISHED, 3 nodes Splits: 881 total, 881 done (100.00%) 0:47 [113M rows, 41.5GB] [2.42M rows/s, 911MB/s]

Java アプリケーションのクエリ

Presto Java JDBC ドライバを介して Java アプリケーションからクエリを実行するには:

  1. Presto Java JDBC ドライバをダウンロードします。

  2. Maven pom.xml にある presto-jdbc 依存関係を追加します。

    <dependency>
    <groupId>com.facebook.presto</groupId>
    <artifactId>presto-jdbc</artifactId>
    <version>0.206</version>
    </dependency>
    

Java コードのサンプル

package dataproc.codelab.presto;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;
import java.util.Properties;

public class PrestoQuery {
  private static final String URL = "jdbc:presto://presto-cluster-m:8080/hive/default";
  private static final String SOCKS_PROXY = "localhost:1080";
  private static final String USER = "user";
  private static final String QUERY =
      "select count(*) as count from chicago_taxi_trips_parquet where trip_miles > 50";

  public static void main(String[] args) {
    try {
      Properties properties = new Properties();
      properties.setProperty("user", USER);
      properties.setProperty("socksProxy", SOCKS_PROXY);
      Connection connection = DriverManager.getConnection(URL, properties);
      try (Statement stmt = connection.createStatement()) {
        ResultSet rs = stmt.executeQuery(QUERY);
        while (rs.next()) {
          int count = rs.getInt("count");
          System.out.println("The number of long trips: " + count);
        }
      }
    } catch (SQLException e) {
      e.printStackTrace();
    }
  }
}

ロギングとモニタリング

ログ

Presto のログは、クラスタのマスターノードとワーカーノードの /var/log/presto/ にあります。

ウェブ UI

クラスタのマスターノード上で実行されている Presto ウェブ UI をローカルブラウザで開くには、コンポーネント ゲートウェイの URL を表示してアクセスするをご覧ください。

モニタリング

Presto は、ランタイム テーブルを介してクラスタのランタイム情報を公開します。Presto セッション(presto:default から)のプロンプトで、次のクエリを実行してランタイム テーブルのデータを表示します。

select * FROM system.runtime.nodes;

クリーンアップ

「Cloud Dataproc で Presto を使用する」のチュートリアルが完了したら、今後の割り当ての消費や課金が発生しないよう、Google Cloud 上に作成したリソースをクリーンアップします。次のセクションで、リソースを削除または無効にする方法を説明します。

プロジェクトの削除

課金をなくす最も簡単な方法は、チュートリアル用に作成したプロジェクトを削除することです。

プロジェクトを削除するには:

  1. Cloud Console で [リソースの管理] ページに移動します。

    [リソースの管理] ページに移動

  2. プロジェクト リストで、削除するプロジェクトを選択し、[削除] をクリックします。
  3. ダイアログでプロジェクト ID を入力し、[シャットダウン] をクリックしてプロジェクトを削除します。

クラスタの削除

  • クラスタを削除するには:
    gcloud dataproc clusters delete --project=${PROJECT} presto-cluster \
        --region=${REGION}
    

バケットの削除

  • 始める前にで作成した Cloud Storage バケットを削除する(バケットに保存されているデータファイルを含む)には:
    gsutil -m rm -r gs://${BUCKET_NAME}