Utilizzare Apache Spark con HBase su Dataproc

Obsoleto: a partire dalla versione 2.1 di Dataproc, non puoi più utilizzare il componente HBase facoltativo. Dataproc versione 1.5 e Dataproc versione 2.0 offrono una versione beta di HBase senza supporto. Tuttavia, data la natura temporanea dei cluster Dataproc, non è consigliabile utilizzare HBase.

Obiettivi

Questo tutorial mostra come:

1. Crea un cluster Dataproc, installando Apache HBase e Apache ZooKeeper sul cluster
2. Crea una tabella HBase utilizzando la shell HBase in esecuzione sul nodo master del cluster Dataproc
3. Utilizza Cloud Shell per inviare un job Spark Java o PySpark al servizio Dataproc che scrive i dati nella tabella HBase e poi li legge.

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

• Dataproc
• Compute Engine

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il calcolatore prezzi.

I nuovi utenti di Google Cloud potrebbero avere diritto a una prova senza costi.

Prima di iniziare

Se non l'hai ancora fatto, crea un progetto 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.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

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.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

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.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Crea un cluster Dataproc

1. Esegui questo comando in un terminale di sessione di Cloud Shell per:

   • Installa i componenti HBase e ZooKeeper
   • Esegui il provisioning di tre nodi worker (consigliamo da tre a cinque worker per eseguire il codice in questo tutorial)
   • Attiva il gateway dei componenti
   • Utilizzare la versione immagine 2.0
   • Utilizza il flag --properties per aggiungere la configurazione e la libreria HBase ai classpath del driver e dell'esecutore 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/*'

Verificare l'installazione del connettore

1. Dalla console Google Cloud o da un terminale di sessione Cloud Shell, esegui SSH nel nodo master del cluster Dataproc.

2. Verifica l'installazione del connettore Apache HBase Spark sul nodo master:

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

   Esempio di output:

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

3. Tieni aperto il terminale della sessione SSH per:

   1. Creare una tabella HBase
   2. (Utenti Java): esegui comandi sul nodo master del cluster per determinare le versioni dei componenti installati sul cluster
   3. Scansiona la tabella Hbase dopo aver eseguito il codice

Crea una tabella HBase

Esegui i comandi elencati in questa sezione nel terminale della sessione SSH del nodo master che hai aperto nel passaggio precedente.

1. Apri la shell HBase:

   hbase shell
   

2. Crea una tabella HBase "my-table" con una famiglia di colonne "cf":

   create 'my_table','cf'
   

   1. Per confermare la creazione della tabella, nella console Google Cloud , fai clic su HBase nei link Google Cloud Component Gateway della console per aprire la UI di Apache HBase. my-table è elencato nella sezione Tabelle della pagina Home.

      

Visualizza il codice 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()

Esegui il codice

1. Apri un terminale di sessione Cloud Shell.

   Nota: esegui i comandi elencati in questa sezione in un terminale della sessione Cloud Shell. Cloud Shell ha preinstallati gli strumenti richiesti da questo tutorial, tra cui gcloud CLI, git, Apache Maven, Java e Python, oltre ad altri strumenti.

2. Clona il repository GitHub GoogleCloudDataproc/cloud-dataproc nel terminale della sessione Cloud Shell:

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

3. Passa alla directory cloud-dataproc/spark-hbase:

   cd cloud-dataproc/spark-hbase
   

   Esempio di output:

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

4. Invia il job Dataproc.

Java

1. Imposta le versioni dei componenti nel file pom.xml.
   1. La pagina Versioni di rilascio 2.0.x di Dataproc elenca le versioni dei componenti Scala, Spark e HBase installate con le quattro versioni secondarie più recenti e precedenti dell'immagine 2.0.
      1. Per trovare la versione secondaria del cluster della versione dell'immagine 2.0, fai clic sul nome del cluster nella pagina Cluster nella consoleGoogle Cloud per aprire la pagina Dettagli cluster, in cui è elencata la versione dell'immagine del cluster.

         

   2. In alternativa, puoi eseguire i seguenti comandi in un terminale della sessione SSH dal nodo master del cluster per determinare le versioni dei componenti:
      1. Controlla la versione di Scala:

         scala -version
         

      2. Controlla la versione di Spark (CTRL+D per uscire):

         spark-shell
         

      3. Controlla la versione di HBase:

         hbase version
         

      4. Identifica le dipendenze delle versioni di Spark, Scala e HBase in 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>
         

         Nota: hbase-spark.version è la versione corrente del connettore Spark HBase; lascia invariato questo numero di versione.
   3. Modifica il file pom.xml nell'editor di Cloud Shell per inserire i numeri di versione corretti di Scala, Spark e HBase. Al termine della modifica, fai clic su Apri terminale per tornare alla riga di comando del terminale Cloud Shell.

      cloudshell edit .
      

   4. Passa a Java 8 in Cloud Shell. Questa versione di JDK è necessaria per compilare il codice (puoi ignorare eventuali messaggi di avviso del plug-in):

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

   5. Verifica l'installazione di Java 8:

      java -version
      

      Esempio di output:

      openjdk version "1.8..."
       

2. Crea il file jar:

   mvn clean package
   

   Il file .jar viene inserito nella sottodirectory /target (ad esempio, target/spark-hbase-1.0-SNAPSHOT.jar.

3. Invia il job.

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

   • --jars: inserisci il nome del file .jar dopo "target/" e prima di ".jar".
   • Se non hai impostato i classpath HBase del driver e dell'executor Spark quando hai creato il cluster, devi impostarli a ogni invio del job includendo il seguente flag ‑‑properties nel comando di invio del job:

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

4. Visualizza l'output della tabella HBase nell'output del terminale della sessione Cloud Shell:

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

Python

1. Invia il job.

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

   • Se non hai impostato i classpath HBase del driver e dell'executor Spark quando hai creato il cluster, devi impostarli a ogni invio del job includendo il seguente flag ‑‑properties nel comando di invio del job:

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

2. Visualizza l'output della tabella HBase nell'output del terminale della sessione Cloud Shell:

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

Scansiona la tabella HBase

Puoi scansionare i contenuti della tabella HBase eseguendo i seguenti comandi nel terminale della sessione SSH del nodo master che hai aperto in Verifica l'installazione del connettore:

1. Apri la shell HBase:

   hbase shell
   

2. Scansiona "my-table":

   scan 'my_table'
   

   Esempio di 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
   

   Esegui la pulizia

   Al termine del tutorial, puoi eliminare le risorse che hai creato in modo che non utilizzino più la quota generando addebiti. Le seguenti sezioni descrivono come eliminare o disattivare queste risorse.

   Elimina il progetto

   Il modo più semplice per eliminare la fatturazione è eliminare il progetto creato per il tutorial.

   Per eliminare il progetto:

   Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

   • L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività descritte in questo documento, quando lo elimini, elimini anche tutto il lavoro che hai svolto nel progetto.
   • Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

   Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

   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.

   Elimina il cluster

   • Per eliminare il cluster:

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