En este instructivo, se ilustran diferentes formas de crear y enviar un trabajo de Spark Scala a un clúster de Dataproc, que incluye cómo hacer lo siguiente:
- escribir y compilar una secuencia de “Hello World” de Spark Scala en una máquina local desde la línea de comandos mediante el REPL de Scala (Read-Evaluar-Print-Loop o intérprete interactivo) o la herramienta de compilación SBT
- empaquetar las clases de Scala compiladas en un archivo jar con un manifiesto
- enviar el jar de Scala a un trabajo de Spark que se ejecuta en tu clúster de Dataproc
- examinar el resultado del trabajo de Scala desde la consola de Google Cloud
En este instructivo, también se muestra cómo:
escribir y ejecutar un “WordCount” de Spark Scala trabajo de mapreduce directamente en Dataproc clúster con el REPL
spark-shell
ejecutar ejemplos preinstalados de Apache Spark y Hadoop en un clúster
Configura un proyecto de Google Cloud Platform
Si aún no lo hiciste, sigue estos pasos:
Escribe y compila el código de Scala de forma local
Como un ejercicio simple para este instructivo, escribe “Hello World” app de Scala con Scala REPL o la interfaz de línea de comandos SBT de forma local en tu máquina de desarrollo.
Usa Scala
- Descarga los objetos binarios de Scala desde la página de instalación de Scala
Descomprime el archivo, establece la variable de entorno
SCALA_HOME
y agrégala a tu ruta de acceso, como se muestra en la Instalación de Scala instrucciones. Por ejemplo:export SCALA_HOME=/usr/local/share/scala export PATH=$PATH:$SCALA_HOME/
Inicia el REPL de Scala
$ scala Welcome to Scala version ... Type in expressions to have them evaluated. Type :help for more information. scala>
Copia y pega el código
HelloWorld
en el REPL de Scala.object HelloWorld { def main(args: Array[String]): Unit = { println("Hello, world!") } }
Guarda
HelloWorld.scala
y sale del REPLscala> :save HelloWorld.scala scala> :q
Compila con
scalac
$ scalac HelloWorld.scala
Enumera los archivos
.class
compilados$ ls HelloWorld*.class HelloWorld$.class HelloWorld.class
Usar SBT
Crea un proyecto "HelloWorld", como se muestra a continuación
$ mkdir hello $ cd hello $ echo \ 'object HelloWorld {def main(args: Array[String]) = println("Hello, world!")}' > \ HelloWorld.scala
Crea un archivo de configuración
sbt.build
para configurarartifactName
(el nombre de la archivo jar que generarás a continuación) a “HelloWorld.jar” (consulta Modifica los artefactos predeterminados)echo \ 'artifactName := { (sv: ScalaVersion, module: ModuleID, artifact: Artifact) => "HelloWorld.jar" }' > \ build.sbt
Inicia SBT y ejecuta el código
$ sbt [info] Set current project to hello ... > run ... Compiling 1 Scala source to .../hello/target/scala-.../classes... ... Running HelloWorld Hello, world! [success] Total time: 3 s ...
Empaqueta código en un archivo jar con un manifiesto que especifica el punto de entrada de la clase principal (
HelloWorld
) y, luego, sal.> package ... Packaging .../hello/target/scala-.../HelloWorld.jar ... ... Done packaging. [success] Total time: ... > exit
Crea un jar
Crea un archivo jar.
con SBT
o con el jar
kubectl.
Crea un jar con SBT
El comando package de SBT crea un archivo jar (consulta Cómo usar SBT).
Cómo crear un jar de forma manual
- Cambia el directorio (
cd
) al directorio que contiene tus archivosHelloWorld*.class
compilados y, luego, ejecuta el siguiente comando para empaquetar los archivos de clase en un jar con un manifiesto que especifique el punto de entrada de la clase principal (HelloWorld
).$ jar cvfe HelloWorld.jar HelloWorld HelloWorld*.class added manifest adding: HelloWorld$.class(in = 637) (out= 403)(deflated 36%) adding: HelloWorld.class(in = 586) (out= 482)(deflated 17%)
Copia el jar a Cloud Storage
- Usa Google Cloud CLI para copiar el jar a un bucket de Cloud Storage en tu proyecto
$ gcloud storage cp HelloWorld.jar gs://<bucket-name>/ Copying file://HelloWorld.jar [Content-Type=application/java-archive]... Uploading gs://bucket-name/HelloWorld.jar: 1.46 KiB/1.46 KiB
Envía el archivo jar a un trabajo de Spark de Dataproc
Usa la consola de Google Cloud para enviar el archivo jar a tu trabajo de Spark de Dataproc. Completa los campos en la página Enviar un trabajo de la siguiente manera:
- Clúster: Selecciona el nombre de tu clúster de la lista de clústeres
- Tipo de trabajo: Spark
Clase principal o jar: Especifica la ruta del URI de Cloud Storage a tu JAR de HelloWorld (
gs://your-bucket-name/HelloWorld.jar
).Si tu archivo JAR no incluye un manifiesto que especifique el punto de entrada a tu código ("Main-Class: HelloWorld"), el campo "Main class or jar" debe indicar el nombre de tu clase principal ("HelloWorld") y debes completar el campo "Jar files" con la ruta de acceso del URI a tu archivo JAR (
gs://your-bucket-name/HelloWorld.jar
).
Haz clic en Submit (Enviar) para iniciar el trabajo. Cuando se inicia el trabajo, este se agrega a la lista de objetos Job lista.
Haz clic en el ID de trabajo para abrir la página Jobs, en la que puedes ver el resultado del controlador del trabajo.
Escribe y ejecuta el código de Spark Scala con el REPL spark-shell
del clúster
Te recomendamos que desarrolles aplicaciones de Scala directamente en tu clúster de Dataproc. Hadoop y Spark están preinstalados en los clústeres de Dataproc y configurados con el conector de Cloud Storage, que permite que tu código lea y escriba datos directamente desde y hacia Cloud Storage.
En este ejemplo, se muestra cómo establecer una conexión SSH al nodo instancia principal del clúster de Dataproc de tu proyecto y, luego, usar el spark-shell REPL para crear y ejecutar una aplicación de MapReduce de conteo de palabras de Scala.
Establece una conexión SSH al nodo principal del clúster de Dataproc
Ve a la carpeta de destino de tu proyecto Clústeres de Dataproc de la consola de Google Cloud y, luego, haz clic en el nombre de tu clúster.
En la página de detalles del clúster, selecciona la pestaña Instancias de VM y, luego, haz clic en Selección de SSH que aparece a la derecha de la fila del nombre del clúster.
Se abre una ventana del navegador en tu directorio principal del nodo principal.
Inicia el
spark-shell
$ spark-shell ... Using Scala version ... Type in expressions to have them evaluated. Type :help for more information. ... Spark context available as sc. ... SQL context available as sqlContext. scala>
Crea un RDD (conjunto de datos resilientes y distribuidos) a partir de un fragmento de texto de Shakespeare ubicado en un almacenamiento público de Cloud Storage
scala> val text_file = sc.textFile("gs://pub/shakespeare/rose.txt")
Ejecuta un MapReduce de WordCount en el texto y, luego, muestra el resultado
wordcounts
scala> val wordCounts = text_file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey((a, b) => a + b) scala> wordCounts.collect ... Array((call,1), (What's,1), (sweet.,1), (we,1), (as,1), (name?,1), (any,1), (other,1), (rose,1), (smell,1), (name,1), (a,2), (would,1), (in,1), (which,1), (That,1), (By,1))
Guarda los recuentos en
<bucket-name>/wordcounts-out
en Cloud Storage y, luego, sal descala-shell
scala> wordCounts.saveAsTextFile("gs://<bucket-name>/wordcounts-out/") scala> exit
Usa gcloud CLI para crear una lista de los archivos de salida y mostrar su contenido
$ gcloud storage ls gs://bucket-name/wordcounts-out/ gs://spark-scala-demo-bucket/wordcounts-out/ gs://spark-scala-demo-bucket/wordcounts-out/_SUCCESS gs://spark-scala-demo-bucket/wordcounts-out/part-00000 gs://spark-scala-demo-bucket/wordcounts-out/part-00001
Comprueba los contenidos de
gs://<bucket-name>/wordcounts-out/part-00000
$ gcloud storage cat gs://bucket-name/wordcounts-out/part-00000 (call,1) (What's,1) (sweet.,1) (we,1) (as,1) (name?,1) (any,1) (other,1)
Ejecuta el código de ejemplo preinstalado
El nodo principal de Dataproc contiene archivos jar ejecutables con Apache Hadoop estándar y Spark. ejemplos.
Tipo de jar | Master node /usr/lib/ location |
Fuente de GitHub | Documentos de Apache |
---|---|---|---|
Hadoop | hadoop-mapreduce/hadoop-mapreduce-examples.jar |
vínculo fuente | Instructivo de MapReduce |
Spark | spark/lib/spark-examples.jar |
vínculo fuente | Ejemplos de Spark |
Envía ejemplos a tu clúster desde la línea de comandos
Se pueden enviar ejemplos desde tu máquina de desarrollo local con Google Cloud CLI gcloud
herramienta de línea de comandos (consulta
Usa la consola de Google Cloud
enviar trabajos desde la consola de Google Cloud).
Ejemplo de WordCount de Hadoop
gcloud dataproc jobs submit hadoop --cluster=cluster-name \ --region=region \ --jars=file:///usr/lib/hadoop-mapreduce/hadoop-mapreduce-examples.jar \ --class=org.apache.hadoop.examples.WordCount \ -- URI of input file URI of output file
Ejemplo de WordCount de Spark
gcloud dataproc jobs submit spark --cluster=cluster-name \ --region=region \ --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \ --class=org.apache.spark.examples.JavaWordCount \ -- URI of input file
Cierra el clúster
Para evitar cargos continuos, cierra el clúster y borra los recursos de Cloud Storage (el bucket y los archivos de Cloud Storage) que se usaron para este instructivo.
Para cerrar un clúster:
gcloud dataproc clusters delete cluster-name \ --region=region
Para borrar el archivo jar de Cloud Storage:
gcloud storage rm gs://bucket-name/HelloWorld.jar
Puedes borrar un bucket y todas sus carpetas y archivos con el siguiente comando:
gcloud storage rm gs://bucket-name/ --recursive
¿Qué sigue?
Lee Cómo administrar las dependencias de Java para las aplicaciones de Apache Spark en Dataproc.
Consulta las sugerencias de ajuste de trabajo de Spark