Gravar e executar jobs do Spark Scala no Dataproc

Este tutorial ilustra maneiras diferentes de criar e enviar um job Spark Scala a um Cluster do Dataproc, incluindo instruções de:

  • gravar e compilar um app "Hello World" em Spark Scala em uma máquina local a partir da linha de comando usando o Scala REPL (Read-Evaluate-Print-Loop ou intérprete interativo) ou a ferramenta de build SBT;
  • empacotar classes Scala compiladas em um arquivo jar com um manifesto;
  • enviar o jar do Scala a um job do Spark que seja executado no cluster do Dataproc;
  • examinar a saída do job do Scala no console do Google Cloud

Este tutorial também mostra como:

  • escrever e executar um Spark Scala "WordCount" job MapReduce diretamente em um Dataproc cluster usando o REPL spark-shell

  • executar exemplos pré-instalados do Apache Spark e do Hadoop em um cluster.

Configure um projeto do Google Cloud Platform

Faça o seguinte, se ainda não tiver feito:

  1. Configurar um projeto
  2. Crie um bucket do Cloud Storage
  3. Criar um cluster de Dataproc

Escrever e compilar código em Scala localmente

Como um exercício simples para este tutorial, escreva uma instância "Hello World" aplicativo do Scala usando o Scala REPL ou a interface de linha de comando do SBT; localmente na sua máquina de desenvolvimento.

Usar o Scala

  1. Faça download dos binários do Scala da página de instalação do Scala.
  2. Descompacte o arquivo, defina a variável de ambiente SCALA_HOME e a adicione ao caminho. mostrados Instalação do Scala instruções. Exemplo:

    export SCALA_HOME=/usr/local/share/scala
    export PATH=$PATH:$SCALA_HOME/
    

  3. Inicie o Scala REPL.

    $ scala
    Welcome to Scala version ...
    Type in expressions to have them evaluated.
    Type :help for more information.
    scala>
    

  4. Copie e cole o código HelloWorld no Scala REPL.

    object HelloWorld {
      def main(args: Array[String]): Unit = {
        println("Hello, world!")
      }
    }

  5. Salve HelloWorld.scala e saia do REPL.

    scala> :save HelloWorld.scala
    scala> :q
    

  6. Compile com scalac.

    $ scalac HelloWorld.scala
    

  7. Liste os arquivos .class compilados.

    $ ls HelloWorld*.class
    HelloWorld$.class   HelloWorld.class
    

Usar o SBT

  1. Faça o download do SBT.

  2. Crie um projeto "HelloWorld", como mostrado abaixo.

    $ mkdir hello
    $ cd hello
    $ echo \
    'object HelloWorld {def main(args: Array[String]) = println("Hello, world!")}' > \
    HelloWorld.scala
    

  3. Crie um arquivo de configuração sbt.build para definir o artifactName (o nome do arquivo jar que você vai gerar abaixo) para "HelloWorld.jar" (consulte Como modificar artefatos padrão)

    echo \
    'artifactName := { (sv: ScalaVersion, module: ModuleID, artifact: Artifact) =>
    "HelloWorld.jar" }' > \
    build.sbt
    

  4. Inicie o SBT e execute o 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 ...
    

  5. Empacote o código em um arquivo jar com um manifesto que especifique o ponto de entrada de classe principal (HelloWorld) e depois saia.

    > package
    ... Packaging .../hello/target/scala-.../HelloWorld.jar ...
    ... Done packaging.
    [success] Total time: ...
    > exit
    

Criar um jar

Crie um arquivo jar com SBT ou usando o comando jar.

Criar um jar com o SBT

Pacote do SBT cria um arquivo jar (consulte Usar o SBT).

Criar um jar manualmente

  1. Altere o diretório (cd) no diretório que contém os arquivos HelloWorld*.class compilados e execute o seguinte comando para empacotar os arquivos de classe em um jar com um manifesto que especifique o ponto de entrada de classe 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%)
    

Copiar o jar no Cloud Storage

  1. Use a Google Cloud CLI para copiar o jar em um arquivo do Cloud Storage bucket do projeto
$ 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

Enviar o jar para um job do Dataproc Spark

  1. use o console do Google Cloud. para enviar o arquivo jar ao job Spark do Dataproc. Preencha os campos na página Enviar um job da seguinte maneira:

    • Cluster: selecione o nome do cluster na lista de clusters.
    • Tipo de job: Spark.
    • Classe ou jar principal: especifique o caminho do URI do Cloud Storage para o jar HelloWorld (gs://your-bucket-name/HelloWorld.jar).

      Se o jar não incluir um manifesto que especifique o ponto de entrada do código ("Main-Class: HelloWorld"), o campo "Main class or jar" precisará informar o nome da classe principal ("HelloWorld") e você precisará preencher o campo "Jar files" com o caminho do URI para o arquivo jar (gs://your-bucket-name/HelloWorld.jar).

  2. Clique em Enviar para iniciar o job. Ao ser iniciado, o job entra na lista de jobs.

  3. Clique no ID do job para abrir a página Jobs e ver a saída do driver do job.

Gravar e executar o código do Spark Scala usando o REPL spark-shell

Talvez convenha desenvolver apps em Scala diretamente no cluster do Dataproc. O Hadoop e o Spark são pré-instalados em clusters do Dataproc e são configurados com o conector do Cloud Storage, que permite que seu código leia e grave dados diretamente no Cloud Storage.

Este exemplo mostra como aplicar SSH ao nó mestre do cluster do Dataproc do seu projeto e usar o spark-shell (link em inglês) REPL para criar e executar um aplicativo MapReduce de contagem de palavras em Scala.

  1. SSH no nó mestre do cluster do Dataproc

    1. Acesse a página Clusters do Dataproc do seu projeto no console do Google Cloud e clique no nome do cluster.

    2. Na página de detalhes do cluster, selecione a guia Instâncias de VM e clique no botão Seleção de SSH que aparece à direita da linha do nome do cluster.

      Uma janela de navegador é aberta no diretório principal do node mestre.

  2. Inicie o 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>
    

  3. Crie um RDD (link em inglês) (Resilient Distributed Dataset) de um fragmento de texto de Shakespeare localizado no Cloud Storage público

    scala> val text_file = sc.textFile("gs://pub/shakespeare/rose.txt")
    

  4. Execute um mapreduce de contagem de palavras no texto e exiba o 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))
    

  5. Salve as contagens em <bucket-name>/wordcounts-out no Cloud Storage e saia do scala-shell.

    scala> wordCounts.saveAsTextFile("gs://<bucket-name>/wordcounts-out/")
    scala> exit
    

  6. Use a CLI gcloud para listar os arquivos de saída e mostrar o conteúdo deles.

    $ 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
    

  7. Verifique o conteúdo 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)
    

Execução de código de exemplo pré-instalado

O nó mestre do Dataproc contém arquivos jar executáveis com Apache Hadoop e Spark padrão exemplos.

Tipo de jar Master node /usr/lib/ location Fonte no GitHub Documentos do Apache
Hadoop hadoop-mapreduce/hadoop-mapreduce-examples.jar link da fonte Tutorial do MapReduce
Spark spark/lib/spark-examples.jar link da fonte Exemplos do Spark

Envio de exemplos ao cluster pela linha de comando

Os exemplos podem ser enviados da sua máquina de desenvolvimento local usando a ferramenta de linha de comando gcloud da CLI do Google Cloud. Consulte Como usar o Console do Google Cloud para enviar jobs a partir do console.

Exemplo de WordCount do 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

Exemplo de WordCount do 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

Encerrar o cluster

Para evitar cobranças contínuas, encerre o cluster e exclua os recursos do Cloud Storage (bucket e arquivos) usados neste tutorial.

Para encerrar um cluster:

gcloud dataproc clusters delete cluster-name \
    --region=region

Para excluir o arquivo jar do Cloud Storage:

gcloud storage rm gs://bucket-name/HelloWorld.jar

Exclua um bucket e todos os respectivos arquivos e pastas usando o seguinte comando:

gcloud storage rm gs://bucket-name/ --recursive

A seguir