English
Deutsch
Español – América Latina
Français
Indonesia
Italiano
Português – Brasil
中文 – 简体
日本語
한국어

Halaman ini diterjemahkan oleh Cloud Translation API.

Menggunakan Apache Spark dengan HBase di Dataproc

Tidak digunakan lagi: Mulai dari Dataproc versi 2.1, Anda tidak dapat lagi menggunakan komponen HBase opsional.

Dataproc versi 1.5 dan Dataproc versi 2.0 menawarkan HBase versi Beta tanpa dukungan. Namun, karena sifat cluster Dataproc yang bersifat sementara, penggunaan HBase tidak direkomendasikan.

Tujuan

Tutorial ini menunjukkan kepada Anda cara:

Membuat cluster Dataproc, menginstal Apache HBase dan Apache ZooKeeper di cluster
Membuat tabel HBase menggunakan shell HBase yang berjalan di node master cluster Dataproc
Gunakan Cloud Shell untuk mengirimkan tugas Java atau PySpark Spark ke layanan Dataproc yang menulis data ke, lalu membaca data dari, tabel HBase

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga. Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Sebelum memulai

Jika Anda belum melakukannya, buat project 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.

Go to project selector

Make sure 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.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the Dataproc and Compute Engine APIs.

Enable the APIs

Membuat cluster Dataproc

Jalankan perintah berikut di terminal sesi Cloud Shell untuk:
- Menginstal komponen HBase dan ZooKeeper
- Sediakan tiga node pekerja (tiga hingga lima pekerja direkomendasikan untuk menjalankan kode dalam tutorial ini)
- Mengaktifkan Gateway Komponen
- Menggunakan versi image 2.0
- Gunakan flag --properties untuk menambahkan konfigurasi HBase dan library HBase ke classpath eksekutor dan driver 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/*'

Memverifikasi penginstalan konektor

Dari konsol Google Cloud atau terminal sesi Cloud Shell, gunakan SSH ke node master cluster Dataproc.

Verifikasi penginstalan konektor Apache HBase Spark di node master:

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

Contoh output:

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

Biarkan terminal sesi SSH tetap terbuka untuk:
1. Membuat tabel HBase
2. (Pengguna Java): jalankan perintah di node master cluster untuk menentukan versi komponen yang diinstal di cluster
3. Pindai tabel Hbase setelah Anda menjalankan kode

Membuat tabel HBase

Jalankan perintah yang tercantum di bagian ini di terminal sesi SSH node master yang Anda buka di langkah sebelumnya.

Buka shell HBase:
```
hbase shell
```
Buat 'my-table' HBase dengan grup kolom 'cf':
```
create 'my_table','cf'
```
1. Untuk mengonfirmasi pembuatan tabel, di konsol Google Cloud, klik HBase di link Component Gateway konsol Google Cloud untuk membuka UI Apache HBase. my-table tercantum di bagian Tabel di halaman Beranda.

Melihat kode 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()

Menjalankan kode

Buka terminal sesi Cloud Shell.

Catatan: Jalankan perintah yang tercantum di bagian ini di terminal sesi Cloud Shell. Cloud Shell telah menginstal alat yang diperlukan oleh tutorial ini, termasuk gcloud CLI, git, Apache Maven, Java, dan Python, serta alat lainnya.
Clone repositori GitHub GoogleCloudDataproc/cloud-dataproc ke terminal sesi Cloud Shell Anda:
```
git clone https://github.com/GoogleCloudDataproc/cloud-dataproc.git
```

Ubah ke direktori cloud-dataproc/spark-hbase:

cd cloud-dataproc/spark-hbase

Contoh output:

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

Kirim tugas Dataproc.

Java

Tetapkan versi komponen dalam file pom.xml.
1. Halaman Versi rilis 2.0.x Dataproc mencantumkan versi komponen Scala, Spark, dan HBase yang diinstal dengan versi subminor image 2.0 terbaru dan empat terakhir.
  1. Untuk menemukan versi subminor cluster versi image 2.0, klik nama cluster di halaman Clusters di Konsol Google Cloud untuk membuka halaman Cluster details, tempat Image version cluster tercantum.
2. Atau, Anda dapat menjalankan perintah berikut di terminal sesi SSH dari node master cluster untuk menentukan versi komponen:
  1. Periksa versi scala:
```
scala -version
```
  2. Periksa versi Spark (control-D untuk keluar):
```
spark-shell
```
  3. Periksa versi HBase:
```
hbase version
```
  4. Identifikasi dependensi versi Spark, Scala, dan HBase di Maven pom.xml:
```
<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>
```
    Catatan: hbase-spark.version adalah versi konektor Spark HBase saat ini; jangan ubah nomor versi ini.
3. Edit file pom.xml di editor Cloud Shell untuk menyisipkan nomor versi Scala, Spark, dan HBase yang benar. Klik Open Terminal setelah selesai mengedit untuk kembali ke command line terminal Cloud Shell.
```
cloudshell edit .
```
4. Beralihlah ke Java 8 di Cloud Shell. Versi JDK ini diperlukan untuk mem-build kode (Anda dapat mengabaikan pesan peringatan plugin):
```
sudo update-java-alternatives -s java-1.8.0-openjdk-amd64 && export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
```
5. Verifikasi penginstalan Java 8:
```
java -version
```
  Contoh output:
```
openjdk version "1.8..."
 
```
Build file jar:
```
mvn clean package
```
File .jar ditempatkan di subdirektori /target (misalnya, target/spark-hbase-1.0-SNAPSHOT.jar.

Kirim tugas.

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

--jars: Sisipkan nama file .jar Anda setelah "target/" dan sebelum ".jar".
Jika tidak menetapkan driver Spark dan classpath HBase eksekutor saat membuat cluster, Anda harus menetapkannya dengan setiap pengiriman tugas dengan menyertakan flag ‑‑properties berikut dalam perintah pengiriman tugas:
```
--properties='spark.driver.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*,spark.executor.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*'
       
```

Lihat output tabel HBase di output terminal sesi Cloud Shell:

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

Python

Kirim tugas.

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

Jika tidak menetapkan driver Spark dan classpath HBase eksekutor saat membuat cluster, Anda harus menetapkannya dengan setiap pengiriman tugas dengan menyertakan flag ‑‑properties berikut dalam perintah pengiriman tugas:
```
--properties='spark.driver.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*,spark.executor.extraClassPath=/etc/hbase/conf:/usr/lib/hbase/*'
       
```

Lihat output tabel HBase di output terminal sesi Cloud Shell:

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

Memindai tabel HBase

Anda dapat memindai konten tabel HBase dengan menjalankan perintah berikut di terminal sesi SSH node master yang Anda buka di Memverifikasi penginstalan konektor:

Buka shell HBase:
```
hbase shell
```

Memindai 'my-table':

scan 'my_table'

Contoh output:

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

Pembersihan

Setelah menyelesaikan tutorial, Anda dapat membersihkan resource yang dibuat agar resource tersebut berhenti menggunakan kuota dan dikenai biaya. Bagian berikut menjelaskan cara menghapus atau menonaktifkan resource ini.

Menghapus project

Cara termudah untuk menghilangkan penagihan adalah dengan menghapus project yang Anda buat untuk tutorial.

Untuk menghapus project:

Perhatian: Menghapus project memiliki efek berikut:

Semua hal dalam project akan dihapus. Jika menggunakan project yang sudah ada untuk tugas dalam dokumen ini, saat Anda menghapusnya, pekerjaan lain yang telah Anda lakukan dalam project tersebut juga akan terhapus.
Project ID kustom hilang. Saat membuat project ini, Anda mungkin telah membuat project ID kustom yang ingin digunakan di masa mendatang. Untuk mempertahankan URL yang menggunakan project ID, seperti URL appspot.com, hapus resource yang dipilih di dalam project, bukan menghapus seluruh project.

Jika Anda berencana mempelajari beberapa arsitektur, tutorial atau panduan memulai, dengan menggunakan kembali project dapat membantu Anda agar tidak melampaui batas kuota project.

In the Google Cloud console, go to the Manage resources page.
Go to Manage resources
In the project list, select the project that you want to delete, and then click Delete.
In the dialog, type the project ID, and then click Shut down to delete the project.

Menghapus cluster

Untuk menghapus cluster:

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

Kecuali dinyatakan lain, konten di halaman ini dilisensikan berdasarkan Lisensi Creative Commons Attribution 4.0, sedangkan contoh kode dilisensikan berdasarkan Lisensi Apache 2.0. Untuk mengetahui informasi selengkapnya, lihat Kebijakan Situs Google Developers. Java adalah merek dagang terdaftar dari Oracle dan/atau afiliasinya.

Terakhir diperbarui pada 2025-02-06 UTC.