Usa Apache Spark con HBase en Dataproc

Obsoleto: A partir de la versión 2.1 de Dataproc, ya no puedes usar el componente opcional de HBase.

---

Las versiones 1.5 y 2.0 de Dataproc ofrecen una versión beta de HBase sin asistencia. Sin embargo, debido a la naturaleza efímera de los clústeres de Dataproc, no se recomienda usar HBase.

Objetivos

En este instructivo, se muestra cómo hacer lo siguiente:

1. Crea un clúster de Dataproc y, luego, instala Apache HBase y Apache ZooKeeper en él.
2. Crea una tabla de HBase con la shell de HBase que se ejecuta en el nodo principal del clúster de Dataproc
3. Usa Cloud Shell para enviar un trabajo de Spark en Java o PySpark al servicio de Dataproc que escribe datos en la tabla de HBase y, luego, lee datos de ella.

Costos

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

• Dataproc
• Compute Engine

Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.

Es posible que los usuarios de Google Cloud nuevos cumplan con los requisitos para acceder a una prueba gratuita.

Antes de comenzar

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

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc and Compute Engine APIs.

Enable the APIs

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

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc and Compute Engine APIs.

Enable the APIs

Crea un clúster de Dataproc

1. Ejecuta el siguiente comando en una terminal de sesión de Cloud Shell para hacer lo siguiente:

   • Instala los componentes HBase y ZooKeeper.
   • Aprovisiona tres nodos trabajadores (se recomienda usar entre tres y cinco trabajadores para ejecutar el código en este instructivo).
   • Habilita la puerta de enlace de componentes.
   • Usar la versión de imagen 2.0
   • Usa la marca --properties para agregar la configuración y la biblioteca de HBase a las rutas de acceso de clase del controlador y el ejecutor de Spark.

gcloud dataproc clusters create cluster-name \
    --region=region \
    --optional-components=HBASE,ZOOKEEPER \
    --num-workers=3 \
    --enable-component-gateway \
    --image-version=2.0 \
    --properties='spark:spark.driver.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*,spark:spark.executor.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*'

Verifica la instalación del conector

1. Desde la Google Cloud consola o una terminal de sesión de Cloud Shell, establece una conexión SSH al instancia principal del clúster de Dataproc.

2. Verifica la instalación del conector de Apache HBase Spark en el nodo principal:

   ls -l /usr/lib/spark/jars | grep hbase-spark
   

   Resultado de muestra:

   -rw-r--r-- 1 root root size date time hbase-spark-connector.version.jar
   

3. Mantén abierta la terminal de la sesión SSH para hacer lo siguiente:

   1. Crea una tabla de HBase
   2. (Usuarios de Java): Ejecuta comandos en el nodo principal del clúster para determinar las versiones de los componentes instalados en el clúster.
   3. Analiza tu tabla de HBase después de ejecutar el código.

Crea una tabla de HBase

Ejecuta los comandos que se indican en esta sección en la terminal de la sesión de SSH del nodo principal que abriste en el paso anterior.

1. Abre la shell de HBase:

   hbase shell
   

2. Crea una tabla "my-table" de HBase con una familia de columnas "cf":

   create 'my_table','cf'
   

   1. Para confirmar la creación de la tabla, en la Google Cloud consola, haz clic en HBase en los vínculos de la puerta de enlace de componentes de la consolaGoogle Cloud para abrir la IU de Apache HBase. my-table aparece en la sección Tablas de la página Página principal.

      

Cómo ver el código de Spark

Java

package hbase;

import org.apache.hadoop.hbase.spark.datasources.HBaseTableCatalog;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;

import java.io.Serializable;
import java.util.Arrays;
import java.util.HashMap;
import java.util.Map;

public class SparkHBaseMain {
    public static class SampleData implements Serializable {
        private String key;
        private String name;


        public SampleData(String key, String name) {
            this.key = key;
            this.name = name;
        }

        public SampleData() {
        }

        public String getName() {
            return name;
        }

        public void setName(String name) {
            this.name = name;
        }

        public String getKey() {
            return key;
        }

        public void setKey(String key) {
            this.key = key;
        }
    }
    public static void main(String[] args) {
        // Init SparkSession
        SparkSession spark = SparkSession
                .builder()
                .master("yarn")
                .appName("spark-hbase-tutorial")
                .getOrCreate();

        // Data Schema
        String catalog = "{"+"\"table\":{\"namespace\":\"default\", \"name\":\"my_table\"}," +
                "\"rowkey\":\"key\"," +
                "\"columns\":{" +
                "\"key\":{\"cf\":\"rowkey\", \"col\":\"key\", \"type\":\"string\"}," +
                "\"name\":{\"cf\":\"cf\", \"col\":\"name\", \"type\":\"string\"}" +
                "}" +
                "}";

        Map<String, String> optionsMap = new HashMap<String, String>();
        optionsMap.put(HBaseTableCatalog.tableCatalog(), catalog);

        Dataset<Row> ds= spark.createDataFrame(Arrays.asList(
                new SampleData("key1", "foo"),
                new SampleData("key2", "bar")), SampleData.class);

        // Write to HBase
        ds.write()
                .format("org.apache.hadoop.hbase.spark")
                .options(optionsMap)
                .option("hbase.spark.use.hbasecontext", "false")
                .mode("overwrite")
                .save();

        // Read from HBase
        Dataset dataset = spark.read()
                .format("org.apache.hadoop.hbase.spark")
                .options(optionsMap)
                .option("hbase.spark.use.hbasecontext", "false")
                .load();
        dataset.show();
    }
}

Python

from pyspark.sql import SparkSession

# Initialize Spark Session
spark = SparkSession \
  .builder \
  .master('yarn') \
  .appName('spark-hbase-tutorial') \
  .getOrCreate()

data_source_format = ''

# Create some test data
df = spark.createDataFrame(
    [
        ("key1", "foo"),
        ("key2", "bar"),
    ],
    ["key", "name"]
)

# Define the schema for catalog
catalog = ''.join("""{
    "table":{"namespace":"default", "name":"my_table"},
    "rowkey":"key",
    "columns":{
        "key":{"cf":"rowkey", "col":"key", "type":"string"},
        "name":{"cf":"cf", "col":"name", "type":"string"}
    }
}""".split())

# Write to HBase
df.write.format('org.apache.hadoop.hbase.spark').options(catalog=catalog).option("hbase.spark.use.hbasecontext", "false").mode("overwrite").save()

# Read from HBase
result = spark.read.format('org.apache.hadoop.hbase.spark').options(catalog=catalog).option("hbase.spark.use.hbasecontext", "false").load()
result.show()

Ejecuta el código

1. Abre una terminal de sesión de Cloud Shell.

   Nota: Ejecuta los comandos que se indican en esta sección en una terminal de sesión de Cloud Shell. Cloud Shell tiene preinstaladas las herramientas que requiere este instructivo, incluidas gcloud CLI, git, Apache Maven, Java y Python, además de otras herramientas.

2. Clona el repositorio de GitHub GoogleCloudDataproc/cloud-dataproc en la terminal de tu sesión de Cloud Shell:

   git clone https://github.com/GoogleCloudDataproc/cloud-dataproc.git
   

3. Cambia al directorio cloud-dataproc/spark-hbase:

   cd cloud-dataproc/spark-hbase
   

   Resultado de muestra:

   user-name@cloudshell:~/cloud-dataproc/spark-hbase (project-id)$
   

4. Envía el trabajo de Dataproc.

Java

1. Configura las versiones de los componentes en el archivo pom.xml.
   1. En la página de versiones de actualización 2.0.x de Dataproc, se enumeran las versiones de los componentes de Scala, Spark y HBase instalados con las cuatro últimas versiones secundarias de la imagen 2.0 y la más reciente.
      1. Para encontrar la versión secundaria de tu clúster de versión de imagen 2.0, haz clic en el nombre del clúster en la página Clústeres de la consola deGoogle Cloud para abrir la página Detalles del clúster, en la que se muestra la Versión de imagen del clúster.

         

   2. Como alternativa, puedes ejecutar los siguientes comandos en una terminal de sesión SSH desde el nodo principal de tu clúster para determinar las versiones de los componentes:
      1. Verifica la versión de Scala:

         scala -version
         

      2. Verifica la versión de Spark (Ctrl+D para salir):

         spark-shell
         

      3. Verifica la versión de HBase:

         hbase version
         

      4. Identifica las dependencias de versión de Spark, Scala y HBase en pom.xml de Maven:

         <properties>
           <scala.version>scala full version (for example, 2.12.14)</scala.version>
           <scala.main.version>scala main version (for example, 2.12)</scala.main.version>
           <spark.version>spark version (for example, 3.1.2)</spark.version>
           <hbase.client.version>hbase version (for example, 2.2.7)</hbase.client.version>
           <hbase-spark.version>1.0.0(the current Apache HBase Spark Connector version)>
         </properties>
         

         Nota: hbase-spark.version es la versión actual del conector de HBase de Spark. No cambies este número de versión.
   3. Edita el archivo pom.xml en el editor de Cloud Shell para insertar los números de versión correctos de Scala, Spark y HBase. Haz clic en Abrir terminal cuando termines de editar para volver a la línea de comandos de la terminal de Cloud Shell.

      cloudshell edit .
      

   4. Cambia a Java 8 en Cloud Shell. Esta versión del JDK es necesaria para compilar el código (puedes ignorar cualquier mensaje de advertencia del complemento):

      sudo update-java-alternatives -s java-1.8.0-openjdk-amd64 && export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
      

   5. Verifica la instalación de Java 8:

      java -version
      

      Resultado de muestra:

      openjdk version "1.8..."
       

2. Compila el archivo jar:

   mvn clean package
   

   El archivo .jar se coloca en el subdirectorio /target (por ejemplo, target/spark-hbase-1.0-SNAPSHOT.jar).

3. Envía el trabajo.

   gcloud dataproc jobs submit spark \
       --class=hbase.SparkHBaseMain  \
       --jars=target/filename.jar \
       --region=cluster-region \
       --cluster=cluster-name
   

   • --jars: Inserta el nombre de tu archivo .jar después de "target/" y antes de ".jar".
   • Si no estableciste las rutas de acceso de clase de HBase del controlador y el ejecutor de Spark cuando creaste tu clúster, debes establecerlas con cada envío de trabajo. Para ello, incluye la siguiente marca ‑‑properties en el comando de envío de trabajo:

     --properties='spark.driver.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*,spark.executor.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*'
            

4. Consulta el resultado de la tabla de HBase en el resultado de la terminal de la sesión de Cloud Shell:

   Waiting for job output...
   ...
   +----+----+
   | key|name|
   +----+----+
   |key1| foo|
   |key2| bar|
   +----+----+
   

Python

1. Envía el trabajo.

   gcloud dataproc jobs submit pyspark scripts/pyspark-hbase.py \
       --region=cluster-region \
       --cluster=cluster-name
   

   • Si no estableciste las rutas de acceso de clase de HBase del controlador y el ejecutor de Spark cuando creaste tu clúster, debes establecerlas con cada envío de trabajo. Para ello, incluye la siguiente marca ‑‑properties en el comando de envío de trabajo:

     --properties='spark.driver.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*,spark.executor.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*'
            

2. Consulta el resultado de la tabla de HBase en el resultado de la terminal de la sesión de Cloud Shell:

   Waiting for job output...
   ...
   +----+----+
   | key|name|
   +----+----+
   |key1| foo|
   |key2| bar|
   +----+----+
   

Analiza la tabla de HBase

Para analizar el contenido de tu tabla de HBase, ejecuta los siguientes comandos en la terminal de la sesión de SSH del nodo principal que abriste en Verifica la instalación del conector:

1. Abre la shell de HBase:

   hbase shell
   

2. Analiza "my-table":

   scan 'my_table'
   

   Resultado de muestra:

   ROW               COLUMN+CELL
    key1             column=cf:name, timestamp=1647364013561, value=foo
    key2             column=cf:name, timestamp=1647364012817, value=bar
   2 row(s)
   Took 0.5009 seconds
   

   Limpia

   Una vez que completes el instructivo, puedes limpiar los recursos que creaste para que dejen de usar la cuota y generar cargos. En las siguientes secciones, se describe cómo borrar o desactivar estos recursos.

   Borra el proyecto

   La manera más fácil de eliminar la facturación es borrar el proyecto que creaste para el instructivo.

   Para borrar el proyecto, sigue estos pasos:

   Precaución: Borrar un proyecto tiene las siguientes consecuencias:

   • Se borra todo en el proyecto. Si usaste un proyecto existente para las tareas de este documento, cuando lo borres, también se borrará cualquier otro trabajo que hayas realizado en el proyecto.
   • Se pierden los IDs personalizados de los proyectos. Cuando creaste este proyecto, es posible que hayas creado un ID del proyecto personalizado que desees utilizar en el futuro. Para conservar las URLs que usan el ID del proyecto, como una URL appspot.com, borra los recursos seleccionados dentro del proyecto, en lugar de todo el proyecto.

   Si planeas explorar varias infraestructuras, instructivos y guías de inicio rápido la reutilización de proyectos puede ayudarte a evitar exceder los límites de las cuotas del proyecto.

   1. In the Google Cloud console, go to the Manage resources page.

      Go to Manage resources

   2. In the project list, select the project that you want to delete, and then click Delete.
   3. In the dialog, type the project ID, and then click Shut down to delete the project.

   Borra el clúster

   • Para borrar tu clúster, realiza los siguientes pasos:

     gcloud dataproc clusters delete cluster-name \
         --region=${REGION}