Auf dieser Seite wird beschrieben, wie Sie mit dem Spark Spanner-Connector Daten aus Spanner mit Apache Spark lesen können.
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, sollten Sie die Connector-Version kennen und einen Connector-URI abrufen.
So geben Sie den URI der Connector-JAR-Datei an
Versionen des Spark Spanner-Connectors sind im GoogleCloud Dataproc/spark-spanner-connector-Repository von GitHub aufgeführt.
Geben Sie die Connector-JAR-Datei an. Ersetzen Sie dazu im folgenden URI-String die Informationen zur Connector-Version:
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, folgen Sie der Anleitung, um eine Spanner-Tabelle zu erstellen. Danach haben Sie eine Instanz-ID, eine Datenbank-ID und eine Tabelle Singers
.
Dataproc-Cluster erstellen
Jeder Dataproc-Cluster, der den Connector verwendet, benötigt den Bereich 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 mit der Google Cloud Console, der Google Cloud CLI und der Dataproc API einen Dataproc-Cluster erstellen.
Console
- Rufen Sie in der Google Cloud Console die Dataproc-Seite Cluster erstellen auf.
- Klicken Sie auf dem Tab „Sicherheit verwalten“ im Bereich „Projektzugriff“ auf „Aktiviert den Bereich der Cloud-Plattform für diesen Cluster“.
- Füllen Sie die anderen Felder für die Clustererstellung aus oder bestätigen Sie sie und klicken Sie dann auf „Erstellen“.
Google Cloud CLI
gcloud dataproc clusters create CLUSTER_NAME --scopes https://www.googleapis.com/auth/cloud-platform
API
Sie können GceClusterConfig.serviceAccountScopes im Rahmen einer clusters.create-Anfrage angeben. Beispiel:"serviceAccountScopes": ["https://www.googleapis.com/auth/cloud-platform"],
Achten Sie darauf, dass dem Dataproc-VM-Dienstkonto die entsprechende Spanner-Berechtigung zugewiesen ist. Wenn Sie Data Boost in der Anleitung verwenden, lesen Sie die IAM-Berechtigung für Data Boost.
Daten aus Spanner lesen
Sie können Scala und Python verwenden, um Daten mit der Spark Data Source API aus Spanner in einen Spark Dataframe zu lesen.
Scala
- Sehen Sie sich den Code an und ersetzen Sie den Platzhalter [projectId], [instanceId], [databaseId] und [table] durch die Projekt-ID, Instanz-ID, Datenbank-ID und die Tabelle, die Sie zuvor erstellt haben. Die Option „enableDataBoost“ aktiviert das Spanner-Feature Data Boost, das sich nahezu auf null auf die Spanner-Hauptinstanz auswirkt.
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
- Stellen Sie mit SSH eine Verbindung zum Masterknoten des Dataproc-Clusters her.
- Rufen Sie in der Google Cloud Console die Dataproc-Seite Cluster auf 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 Masterknotens des Clusters auf
SSH
Ein Browserfenster in Ihrem Basisverzeichnis wird auf dem Masterknoten geöffnet.Connected, host fingerprint: ssh-rsa 2048 ... ... user@clusterName-m:~$
- Rufen Sie in der Google Cloud Console die Dataproc-Seite Cluster auf und klicken Sie auf den Namen Ihres Clusters.
- Erstellen Sie
singers.scala
mit dem vorinstallierten Texteditorvi
,vim
odernano
und fügen Sie dann den Scala-Code aus der Scala-Codeliste einnano 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-TabelleSingers
zu erstellen. In der Ausgabeliste werden Beispiele aus der „Sänger“-Ausgabe angezeigt.> :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
- Sehen Sie sich den Code an und ersetzen Sie den Platzhalter [projectId], [instanceId], [databaseId] und [table] durch die Projekt-ID, Instanz-ID, Datenbank-ID und die Tabelle, die Sie zuvor erstellt haben. Die Option „enableDataBoost“ aktiviert das Spanner-Feature Data Boost, das sich nahezu auf null auf die Spanner-Hauptinstanz auswirkt.
#!/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
- Stellen Sie mit SSH eine Verbindung zum Masterknoten des Dataproc-Clusters her.
- Rufen Sie in der Google Cloud Console die Dataproc-Seite Cluster auf 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 Masterknotens des Clusters auf
SSH
Ein Browserfenster für Ihr Basisverzeichnis auf dem primären Knoten wird geöffnet.Connected, host fingerprint: ssh-rsa 2048 ... ... user@clusterName-m:~$
- Rufen Sie in der Google Cloud Console die Dataproc-Seite Cluster auf und klicken Sie auf den Namen Ihres Clusters.
- 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 die Spanner-TabelleSingers
zu erstellen.spark-submit --jars gs://spark-lib/spanner/spark-3.1-spanner-CONNECTOR_VERSION.jar singers.py
Die Ausgabe sieht so aus:... +--------+---------+--------+---------+-----------+ |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
- Stellen Sie mit SSH eine Verbindung zum Masterknoten des Dataproc-Clusters her.
Bereinigen
Führen Sie die folgenden Schritte aus, um eine Bereinigung durchzuführen und zu vermeiden, dass Ihrem Google Cloud-Konto laufende Gebühren für die in dieser Schritt-für-Schritt-Anleitung erstellten Ressourcen berechnet werden.
gcloud dataproc clusters stop CLUSTER_NAME gcloud dataproc clusters delete CLUSTER_NAME