Écrire et exécuter des tâches Spark Scala sur Dataproc

Ce tutoriel illustre différentes manières de créer et d'envoyer une tâche Spark Scala à un cluster Dataproc, y compris:

  • écrire et compiler une application Spark Scala "Hello World" sur une machine locale à partir de la ligne de commande à l'aide du REPL Scala (Read-evaluate-Print-Loop ou interpréteur interactif) ou de l'outil de compilation SBT ;
  • empaqueter des classes Scala compilées dans un fichier JAR avec un fichier manifeste ;
  • envoyer le fichier JAR Scala à une tâche Spark qui s'exécute sur votre cluster Dataproc ;
  • examiner le résultat de la tâche Scala dans la console Google Cloud ;

Ce tutoriel vous explique également comment :

  • écrire et exécuter une tâche Spark Scala "map" directement sur un cluster Dataproc à l'aide du REPL spark-shell ;

  • exécuter des exemples Apache Spark et Hadoop pré-installés sur un cluster.

Configurer un projet Google Cloud Platform

Si ce n'est pas déjà fait, effectuez les opérations suivantes :

  1. Configurer un projet
  2. Créer un bucket Cloud Storage
  3. Créer un cluster Dataproc

Écrire et compiler le code Scala en local

Pour les besoins de ce tutoriel, il vous suffit de créer une application Scala "World" à l'aide du REPL Scala ou de l'interface de ligne de commande SBTsur votre ordinateur de développement.

Utiliser Scala

  1. Téléchargez les fichiers binaires Scala depuis la page d'installation de Scala.
  2. Décompressez le fichier, définissez la variable d'environnement SCALA_HOME, puis ajoutez-la à votre chemin d'accès, comme indiqué dans les instructions d'installation de Scala. Exemple :

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

  3. Lancez le REPL Scala.

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

  4. Copiez et collez le code HelloWorld dans le REPL Scala

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

  5. Enregistrer HelloWorld.scala et quitter le REPL

    scala> :save HelloWorld.scala
    scala> :q
    

  6. Compiler avec scalac

    $ scalac HelloWorld.scala
    

  7. Répertorier les .class fichiers compilés

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

Utiliser SBT

  1. Télécharger SBT

  2. Créez un projet "HelloWorld", comme illustré ci-dessous.

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

  3. Créez un fichier de configuration sbt.build pour définir artifactName (nom du fichier JAR que vous allez générer ci-dessous) sur "HelloWorld.jar" (consultez la section Modifier les artefacts par défaut).

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

  4. Lancez SBT et exécutez le code.

    $ 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. Empaquetez le code dans un fichier JAR avec un fichier manifeste spécifiant le point d'entrée de la classe principale (HelloWorld), puis quittez l'outil.

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

Créer un fichier JAR

Créez un fichier JAR avec SBT ou à l'aide de la commande jar.

Créer un fichier JAR avec SBT

La commande SBT package crée un fichier JAR (consultez la section Utiliser SBT).

Créer un fichier JAR manuellement

  1. Remplacez le répertoire (cd) par celui qui contient les fichiers HelloWorld*.class compilés, puis exécutez la commande suivante pour empaqueter les fichiers de la classe dans un fichier JAR avec un fichier manifeste spécifiant le point d'entrée de la classe principale (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%)
    

Copier le fichier JAR dans Cloud Storage

  1. Exécutez la commande gsutil pour copier le fichier JAR dans un bucket Cloud Storage de votre projet.
$ gsutil 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

Envoyer un fichier JAR à une tâche Spark Dataproc

  1. Utilisez Google Cloud Console pour envoyer le fichier JAR à votre tâche Spark Dataproc. Renseignez les champs de la page Submit a job (Envoyer une tâche) comme suit:

    • Cluster : sélectionnez le nom de votre cluster dans la liste.
    • Job type (Type de tâche) : Spark.
    • Main class or jar (Classe principale ou fichier JAR) : indiquez le chemin de l'URI Cloud Storage vers votre fichier JAR HelloWorld (gs://your-bucket-name/HelloWorld.jar).

      Si votre fichier JAR n'inclut pas de fichier manifeste qui spécifie le point d'entrée de votre code (Classe principale: HelloWorld), le champ "Classe principale" ou "JAR" doit indiquer le nom de votre classe principale ("HelloWorld"), et vous devez indiquer le chemin d'accès à votre fichier JAR dans le champ "Fichiers JAR" gs://your-bucket-name/HelloWorld.jar.

  2. Cliquez sur Submit (Envoyer) pour démarrer la tâche. Une fois la tâche démarrée, elle est ajoutée à la liste des tâches.

  3. Cliquez sur l'ID de la tâche pour ouvrir la page Jobs (Tâches) qui affiche les résultats du pilote de la tâche.

Écrire et exécuter du code Spark Scala à l'aide du REPL spark-shell du cluster

Vous pouvez développer des applications Scala directement sur votre cluster Dataproc. Hadoop et Spark sont préinstallés sur les clusters Dataproc et sont configurés avec le connecteur Cloud Storage, qui permet à votre code de lire et d'écrire des données directement depuis et vers Cloud Storage.

Cet exemple vous montre comment vous connecter en SSH au nœud maître du cluster Dataproc de votre projet, puis utiliser le REPL spark-shell pour créer et exécuter une application de mappage de mots Scala.

  1. Se connecter en SSH au nœud maître du cluster Dataproc

    1. Accédez à la page Clusters Dataproc de votre projet dans Google Cloud Console, puis cliquez sur le nom de votre cluster.

    2. Sur la page des détails du cluster, sélectionnez l'onglet Instances de VM, puis cliquez sur la sélection SSH qui s'affiche à droite de la ligne "Nom du cluster".

      Une fenêtre de navigateur s'ouvre dans votre répertoire d'accueil sur le nœud maître.

  2. Lancer 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. Créer un RDD (Ensemble de données distribué résilient) à partir d'un extrait de texte Shakespeare situé dans Cloud Storage public

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

  4. Exécuter une commande "mapcount" sur le texte, puis afficher le résultat 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. Enregistrez les décomptes dans <bucket-name>/wordcounts-out dans Cloud Storage, puis quittez scala-shell.

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

  6. Utilisez gsutil pour répertorier les fichiers de sortie et afficher leur contenu.

    $ gsutil 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. Vérifier le contenu de gs://<bucket-name>/wordcounts-out/part-00000

    $ gsutil 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)
    

Exécuter un exemple de code pré-installé

Le nœud maître Dataproc contient des fichiers JAR exécutables avec des exemples Apache Hadoop et Spark standards.

Type de fichier JAR Master node /usr/lib/ location Source GitHub Documents Apache
Hadoop hadoop-mapreduce/hadoop-mapreduce-examples.jar lien source Tutoriel MapReduce
Spark spark/lib/spark-examples.jar lien source Exemples Spark

Envoyer des exemples à votre cluster à partir de la ligne de commande

Vous pouvez envoyer des exemples à partir de votre ordinateur de développement local à l'aide de l'outil de ligne de commande gcloud de Google Cloud CLI (consultez la section Utiliser Google Cloud Console pour envoyer des tâches à partir de Google Cloud Console).

Exemple d'application "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

Exemple d'application "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

Arrêter votre cluster

Pour éviter les frais récurrents, arrêtez votre cluster et supprimez les ressources Cloud Storage (bucket et fichiers Cloud Storage) utilisées pour ce tutoriel.

Pour arrêter un cluster :

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

Pour supprimer le fichier JAR de Cloud Storage :

gsutil rm gs://bucket-name/HelloWorld.jar

Vous pouvez supprimer un bucket, ainsi que l'ensemble des dossiers et fichiers qu'il contient, à l'aide de la commande suivante :

gsutil rm -r gs://bucket-name/

Étapes suivantes