Auf dieser Seite erfahren Sie, wie Sie mit dem Spark Spanner Connector Daten mit Apache Spark aus Spanner lesen.
Kosten berechnen
In diesem Dokument verwenden Sie die folgenden kostenpflichtigen Komponenten von Google Cloud:
- Dataproc
- Spanner
- Cloud Storage
Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.
Hinweise
Bevor Sie die Anleitung ausführen, müssen Sie die Connector-Version kennen und rufen Sie einen Connector-URI ab.
URI der JAR-Datei des Connectors angeben
Versionen des Spark Spanner-Connectors sind in GitHub aufgeführt GoogleCloudDataproc/spark-spanner-connector-Repository.
Geben Sie die JAR-Datei des Connectors an, indem Sie die Informationen zur Connectorversion im folgenden URI-String ersetzen:
gs://spark-lib/spanner/spark-3.1-spanner-CONNECTOR_VERSION.jar
Der Connector ist für die Spark-Versionen 3.1+
verfügbar
Beispiel für die gcloud CLI:
gcloud dataproc jobs submit spark \ --jars=gs://spark-lib/spanner/spark-3.1-spanner-1.0.0.jar \ -- job-args
Spanner-Datenbank vorbereiten
Wenn Sie keine Spanner-Tabelle haben, können Sie der
Anleitung zum Erstellen eines
Spanner-Tabelle. Danach haben Sie eine Instanz-ID,
eine Datenbank-ID und eine Tabelle Singers
.
Dataproc-Cluster erstellen
Jeder Dataproc-Cluster, der den Connector verwendet, benötigt die Bereiche spanner
oder cloud-platform
. Dataproc-Cluster haben den Standardbereich cloud-platform
für Image 2.1 oder höher. Wenn Sie eine ältere Version verwenden, können Sie die Google Cloud Console, die Google Cloud CLI und die Dataproc API verwenden, um einen Dataproc-Cluster zu erstellen.
Console
- Öffnen Sie in der Google Cloud Console die Dataproc-Seite Cluster erstellen.
- Klicken Sie auf dem Tab „Sicherheit verwalten“ im Bereich „Projektzugriff“ auf „Aktiviert den Bereich ‚cloud-platform‘ für diesen Cluster“.
- Füllen Sie die anderen Felder für die Clustererstellung aus oder bestätigen Sie sie. klicken Sie auf „Erstellen“.
Google Cloud CLI
gcloud dataproc clusters create CLUSTER_NAME --scopes https://www.googleapis.com/auth/cloud-platform
API
Sie können GceClusterConfig.serviceAccountScopes angeben im Rahmen einer clusters.create-Anfrage. Beispiel:"serviceAccountScopes": ["https://www.googleapis.com/auth/cloud-platform"],
Sie müssen dem Dataproc-VM-Dienstkonto die entsprechende Spanner-Berechtigung zuweisen. Wenn Sie in der Anleitung Data Boost verwenden, lesen Sie den Hilfeartikel IAM-Berechtigung für Data Boost.
Daten aus Spanner lesen
Mit Scala und Python können Sie mithilfe der Spark-Datenquellen-API Daten aus Spanner in einen Spark-DataFrame lesen.
Scala
- Sehen Sie sich den Code an und ersetzen Sie die Platzhalter [projectId], [instanceId], [databaseId] und [table] durch
Projekt-ID, Instanz-ID, Datenbank-ID und Tabelle, die Sie zuvor erstellt haben. Die Option „enableDataBoost“ aktiviert die Spanner-Funktion Data Boost, mit der
Auswirkungen auf die Spanner-Hauptinstanz nahezu null.
object singers { def main(): Unit = { /* * Remove comment if you are not running in spark-shell. * import org.apache.spark.sql.SparkSession val spark = SparkSession.builder() .appName("spark-spanner-demo") .getOrCreate() */ // Load data in from Spanner. See // https://github.com/GoogleCloudDataproc/spark-spanner-connector/blob/main/README.md#properties // for option information. val singersDF = (spark.read.format("cloud-spanner") .option("projectId", "[projectId]") .option("instanceId", "[instanceId]") .option("databaseId", "[databaseId]") .option("enableDataBoost", true) .option("table", "[table]") .load() .cache()) singersDF.createOrReplaceTempView("Singers") // Load the Singers table. val result = spark.sql("SELECT * FROM Singers") result.show() result.printSchema() } }
- Code in einem Cluster ausführen
- SSH verwenden, um eine Verbindung zum Masterknoten des Dataproc-Clusters herzustellen
- Gehen Sie zur Dataproc-Cluster Seite in der Google Cloud Console und klicken Sie auf den Namen Ihres Clusters
- Wählen Sie auf der Seite >Clusterdetails den Tab „VM-Instanzen“ aus. Klicken Sie dann auf
SSH
rechts neben dem Namen des Cluster-Masterknotens <ph type="x-smartling-placeholder">
Im Stammverzeichnis des Master-Knotens wird ein Browserfenster geöffnet.Connected, host fingerprint: ssh-rsa 2048 ... ... user@clusterName-m:~$
- Erstellen Sie
singers.scala
mit dem vorinstallierten Texteditorvi
,vim
odernano
und fügen Sie dann den Scala-Code aus der Scala-Code-Liste ein.nano singers.scala
- Starten Sie die
spark-shell
-REPL.$ spark-shell --jars=gs://spark-lib/spanner/spark-3.1-spanner-CONNECTOR_VERSION.jar
- Führen Sie singers.scala mit dem Befehl
:load singers.scala
aus, um die Spanner-Singers
-Tabelle zu erstellen. Die Ausgabeliste zeigt Beispiele aus der Ausgabe von „Sänger“ an.> :load singers.scala Loading singers.scala... defined object singers > singers.main() ... +--------+---------+--------+---------+-----------+ |SingerId|FirstName|LastName|BirthDate|LastUpdated| +--------+---------+--------+---------+-----------+ | 1| Marc|Richards| null| null| | 2| Catalina| Smith| null| null| | 3| Alice| Trentor| null| null| +--------+---------+--------+---------+-----------+ root |-- SingerId: long (nullable = false) |-- FirstName: string (nullable = true) |-- LastName: string (nullable = true) |-- BirthDate: date (nullable = true) |-- LastUpdated: timestamp (nullable = true)
PySpark
- Prüfen Sie den Code und ersetzen Sie die Platzhalter [projectId], [instanceId], [databaseId] und [table] durch die Projekt-ID, die Instanz-ID, die Datenbank-ID und die Tabelle, die Sie zuvor erstellt haben. Die Option „enableDataBoost“ aktiviert die Spanner-Funktion Data Boost, mit der
Auswirkungen auf die Spanner-Hauptinstanz nahezu null.
#!/usr/bin/env python """Spanner PySpark read example.""" from pyspark.sql import SparkSession spark = SparkSession \ .builder \ .master('yarn') \ .appName('spark-spanner-demo') \ .getOrCreate() # Load data from Spanner. singers = spark.read.format('cloud-spanner') \ .option("projectId", "[projectId]") \ .option("instanceId", "[instanceId]") \ .option("databaseId", "[databaseId]") \ .option("enableDataBoost", "true") \ .option("table", "[table]") \ .load() singers.createOrReplaceTempView('Singers') # Read from Singers result = spark.sql('SELECT * FROM Singers') result.show() result.printSchema()
- Code im Cluster ausführen
- SSH verwenden, um eine Verbindung zum Masterknoten des Dataproc-Clusters herzustellen
- Gehen Sie zur Dataproc-Cluster Seite in der Google Cloud Console und klicken Sie auf den Namen Ihres Clusters
- Wählen Sie auf der Seite Clusterdetails den Tab „VM-Instanzen“ aus. Klicken Sie dann rechts neben dem Namen des Cluster-Masterknotens auf
SSH
.
Ein Browserfenster wird in Ihrem Basisverzeichnis auf dem primären Knoten geöffnet.Connected, host fingerprint: ssh-rsa 2048 ... ... user@clusterName-m:~$
- Erstellen Sie
singers.py
mit dem vorinstallierten Texteditorvi
,vim
odernano
und fügen Sie dann den PySpark-Code aus der PySpark-Codeliste ein.nano singers.py
- Führen Sie singers.py mit
spark-submit
aus, um den Spanner zu erstellen TabelleSingers
. Die Ausgabe sieht so aus:spark-submit --jars gs://spark-lib/spanner/spark-3.1-spanner-CONNECTOR_VERSION.jar singers.py
... +--------+---------+--------+---------+-----------+ |SingerId|FirstName|LastName|BirthDate|LastUpdated| +--------+---------+--------+---------+-----------+ | 1| Marc|Richards| null| null| | 2| Catalina| Smith| null| null| | 3| Alice| Trentor| null| null| +--------+---------+--------+---------+-----------+ root |-- SingerId: long (nullable = false) |-- FirstName: string (nullable = true) |-- LastName: string (nullable = true) |-- BirthDate: date (nullable = true) |-- LastUpdated: timestamp (nullable = true) only showing top 20 rows
- SSH verwenden, um eine Verbindung zum Masterknoten des Dataproc-Clusters herzustellen
Bereinigen
Führen Sie die folgenden Schritte aus, um die in dieser Schritt-für-Schritt-Anleitung erstellten Ressourcen zu bereinigen und so zu vermeiden, dass Ihrem Google Cloud-Konto fortlaufende Gebühren in Rechnung gestellt werden.
gcloud dataproc clusters stop CLUSTER_NAME gcloud dataproc clusters delete CLUSTER_NAME