Menulis dan menjalankan tugas Spark Scala di Dataproc

Tutorial ini menggambarkan berbagai cara untuk membuat dan mengirimkan tugas Spark Scala ke cluster Dataproc, termasuk cara:

• menulis dan mengompilasi aplikasi "Hello World" Spark Scala di mesin lokal dari command line menggunakan Scala REPL (Read-Evaluate-Print-Loop atau penafsir interaktif) atau alat build SBT
• memaketkan class Scala yang dikompilasi ke dalam file jar dengan manifes
• mengirimkan jar Scala ke tugas Spark yang berjalan di cluster Dataproc
• memeriksa output tugas Scala dari konsol Google Cloud

Tutorial ini juga menunjukkan cara:

• menulis dan menjalankan tugas mapreduce "WordCount" Spark Scala secara langsung di cluster Dataproc menggunakan REPL spark-shell

• menjalankan contoh Apache Spark dan Hadoop yang telah diinstal sebelumnya di cluster

Perhatikan bahwa meskipun contoh command line dalam tutorial ini mengasumsikan lingkungan terminal Linux, banyak atau sebagian besar juga akan berjalan seperti yang ditulis di jendela terminal macOS atau Windows.

Siapkan project Google Cloud Platform

Jika Anda belum melakukannya:

1. Menyiapkan project
2. Membuat bucket Cloud Storage
3. Membuat cluster Dataproc

Menulis dan mengompilasi kode Scala secara lokal

Sebagai latihan sederhana untuk tutorial ini, tulis aplikasi Scala "Hello World" menggunakan Scala REPL atau antarmuka command line SBT secara lokal di mesin pengembangan Anda.

• Menggunakan Scala
• Menggunakan SBT

Menggunakan Scala

1. Download biner Scala dari halaman Scala Install

2. Ekstrak file, tetapkan variabel lingkungan SCALA_HOME, dan tambahkan ke jalur Anda, seperti yang ditunjukkan dalam petunjuk Penginstalan Scala. Contoh:

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

3. Meluncurkan Scala REPL

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

4. Salin dan tempel kode HelloWorld ke Scala REPL

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

5. Menyimpan HelloWorld.scala dan keluar dari REPL

   scala> :save HelloWorld.scala
   scala> :q
   

6. Mengompilasi dengan scalac

   $ scalac HelloWorld.scala
   

7. Mencantumkan file .class yang dikompilasi

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

Menggunakan SBT

1. Mendownload SBT

2. Buat project "HelloWorld", seperti yang ditunjukkan di bawah

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

3. Buat file konfigurasi sbt.build untuk menetapkan artifactName (nama file jar yang akan Anda buat, di bawah) ke "HelloWorld.jar" (lihat Mengubah artefak default)

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

4. Meluncurkan SBT dan menjalankan kode

   $ 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. Paketkan kode ke dalam file jar dengan manifes yang menentukan titik entri class utama (HelloWorld), lalu keluar

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

Membuat jar

Buat file jar dengan SBT atau menggunakan perintah jar.

Mendownload Java? Untuk menjalankan perintah jar, Anda harus menginstal JRE (Java Runtime Environment) Java SE (Edisi Standar) di komputer—lihat Java SE Downloads.

Membuat jar dengan SBT

Perintah package SBT akan membuat file jar (lihat Menggunakan SBT).

Membuat jar secara manual

1. Ubah direktori (cd) menjadi direktori yang berisi file HelloWorld*.class yang dikompilasi, lalu jalankan perintah berikut untuk memaketkan file class ke dalam jar dengan manifes yang menentukan titik entri class utama (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%)
   

   Mengekstrak dan memeriksa manifes jar (MANIFEST.MF) menunjukkan bahwa manifes tersebut mencantumkan titik entri Class Utama HelloWorld:

   Manifest-Version: ...
   Created-By: ...
   Main-Class: HelloWorld
   

Menyalin jar ke Cloud Storage

1. Gunakan Google Cloud CLI untuk menyalin jar ke bucket Cloud Storage di project Anda

Saat meneruskan nama bucket ke Google Cloud CLI, pastikan untuk hanya menentukan nama bucket setelah awalan gs://. Misalnya, jika project berisi bucket "my-most-unique-bucket-name", seperti yang ditunjukkan dalam screenshot Storage Browser konsol Google Cloud berikut,

perintah berikut akan mencantumkan konten bucket tersebut:

gcloud storage ls gs://my-most-unique-bucket-name

$ 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

Mengirimkan jar ke tugas Spark Dataproc

1. Gunakan konsol Google Cloud untuk mengirimkan file jar ke tugas Spark Dataproc. Isi kolom di halaman Kirim tugas sebagai berikut:

   • Cluster: Pilih nama cluster Anda dari daftar cluster
   • Jenis tugas: Spark

   • Class atau jar utama: Tentukan jalur URI Cloud Storage ke jar HelloWorld Anda (gs://your-bucket-name/HelloWorld.jar).

     Jika jar Anda tidak menyertakan manifes yang menentukan titik entri ke kode Anda ("Main-Class: HelloWorld"), kolom "Main class or jar" harus menyatakan nama class Utama Anda ("HelloWorld"), dan Anda harus mengisi kolom "Jar files" dengan jalur URI ke file jar (gs://your-bucket-name/HelloWorld.jar).

2. Klik Kirim untuk memulai tugas. Setelah dimulai, tugas akan ditambahkan ke daftar Tugas.

3. Klik ID Tugas untuk membuka halaman Tugas, tempat Anda dapat melihat output driver tugas.

Menulis dan menjalankan kode Spark Scala menggunakan REPL spark-shell cluster

Anda mungkin ingin mengembangkan aplikasi Scala langsung di cluster Dataproc. Hadoop dan Spark sudah diprainstal di cluster Dataproc, dan dikonfigurasi dengan konektor Cloud Storage, yang memungkinkan kode Anda membaca dan menulis data langsung dari dan ke Cloud Storage.

Contoh ini menunjukkan cara melakukan SSH ke node master cluster Dataproc project, lalu menggunakan REPL spark-shell untuk membuat dan menjalankan aplikasi mapreduce wordcount Scala.

1. Mengakses node master cluster Dataproc melalui SSH

   1. Buka halaman Cluster Dataproc project Anda di konsol Google Cloud, lalu klik nama cluster Anda.

   2. Di halaman detail cluster, pilih tab VM Instances, lalu klik pilihan SSH yang muncul di sebelah kanan baris nama cluster Anda.

      Jendela browser akan terbuka di direktori beranda Anda di node master

2. Meluncurkan 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. Membuat RDD (Resilient Distributed Dataset) dari cuplikan teks Shakespeare yang terletak di Cloud Storage publik

   Cuplikan teks Shakespeare:
   

   What's in a name? That which we call a rose
   By any other name would smell as sweet.
   

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

4. Jalankan wordcount mapreduce pada teks, lalu tampilkan hasil 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. Simpan jumlah di <bucket-name>/wordcounts-out di Cloud Storage, lalu keluar dari scala-shell

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

6. Menggunakan gcloud CLI untuk mencantumkan file output dan menampilkan konten file

   $ 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. Memeriksa konten 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)
   

Menjalankan Kode Contoh yang Diinstal Sebelumnya

Node master Dataproc berisi file jar yang dapat dijalankan dengan contoh Apache Hadoop dan Spark standar.

Jenis Jar	Master node /usr/lib/ location	Sumber GitHub	Dokumen Apache
Hadoop	hadoop-mapreduce/hadoop-mapreduce-examples.jar	link sumber	Tutorial MapReduce
Spark	spark/lib/spark-examples.jar	link sumber	Contoh Spark

Mengirim contoh ke cluster dari command line

Contoh dapat dikirim dari komputer pengembangan lokal Anda menggunakan alat command line gcloud Google Cloud CLI (lihat Menggunakan konsol Google Cloud untuk mengirim tugas dari konsol Google Cloud).

Contoh WordCount 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

Contoh WordCount 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

Menonaktifkan cluster

Untuk menghindari tagihan yang berkelanjutan, matikan cluster dan hapus resource Cloud Storage (bucket dan file Cloud Storage) yang digunakan untuk tutorial ini.

Untuk menonaktifkan cluster:

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

Untuk menghapus file jar Cloud Storage:

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

Anda dapat menghapus bucket beserta semua folder dan filenya dengan perintah berikut:

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

Langkah selanjutnya

• Baca Mengelola dependensi Java untuk aplikasi Apache Spark di Dataproc.

• Lihat Tips penyesuaian tugas Spark