Questo tutorial illustra diversi modi per creare e inviare un job Spark Scala a un cluster Dataproc, incluso come:
- scrivere e compilare un'app Spark Scala "Hello World" su una macchina locale dalla riga di comando utilizzando Scala REPL (Read-Valuta-Print-Loop o interprete interattivo) o lo strumento di compilazione SBT
- il pacchetto ha compilato le classi Scala in un file jar con un manifest
- invia il jar alla scalabilità con un job Spark eseguito sul cluster Dataproc
- esaminare l'output del job Scala da Google Cloud Console
Questo tutorial illustra anche come:
scrivere ed eseguire un job Spark Scala "WordCount" mappareduce direttamente su un cluster Dataproc utilizzando il REPL
spark-shell
Eseguire esempi di Apache Spark e Hadoop preinstallati su un cluster
Configura un progetto Google Cloud Platform
Se non lo hai già fatto:
Scrivi e compila il codice Scala localmente
Come esercizio semplice per questo tutorial, scrivi un'app "Hello World" Scala utilizzando la risorsa Scala REPL o l'interfaccia a riga di comando SBT in locale nella tua macchina di sviluppo.
Usa Scala
- Scarica i programmi binari Scala dalla pagina Installazione di Scala
Apri il file, imposta la variabile di ambiente
SCALA_HOME
e aggiungila al tuo percorso, come mostrato nelle istruzioni per le installazioni di scale. Ad esempio:export SCALA_HOME=/usr/local/share/scala export PATH=$PATH:$SCALA_HOME/
Avvia il REPL di Scala
$ scala Welcome to Scala version ... Type in expressions to have them evaluated. Type :help for more information. scala>
Copia e incolla il codice
HelloWorld
in REPL di Scalaobject HelloWorld { def main(args: Array[String]): Unit = { println("Hello, world!") } }
Salva
HelloWorld.scala
ed esci dal REPLscala> :save HelloWorld.scala scala> :q
Compilazione con
scalac
$ scalac HelloWorld.scala
Elenca i file
.class
compilati$ ls HelloWorld*.class HelloWorld$.class HelloWorld.class
Usa SBT
Crea un progetto "HelloWorld", come mostrato di seguito
$ mkdir hello $ cd hello $ echo \ 'object HelloWorld {def main(args: Array[String]) = println("Hello, world!")}' > \ HelloWorld.scala
Crea un file di configurazione
sbt.build
per impostareartifactName
(il nome del file jar che generi di seguito) su "quoWorld;HelloWorld.jar". (Vedi Modificare gli artefatti predefiniti)echo \ 'artifactName := { (sv: ScalaVersion, module: ModuleID, artifact: Artifact) => "HelloWorld.jar" }' > \ build.sbt
Avvia SBT ed esegui il codice
$ 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 ...
Codice del pacchetto in un file jar con un manifest che specifica il punto di ingresso della classe principale (
HelloWorld
), quindi esci> package ... Packaging .../hello/target/scala-.../HelloWorld.jar ... ... Done packaging. [success] Total time: ... > exit
Crea un jar
Crea un file jar con SBT
o utilizzando il comando jar.
Creare un jar con SBT
Il comando pacchetto SBT crea un file jar (vedi Utilizzare SBT).
Creare un jar manualmente
- Cambia la directory (
cd
) nella directory che contiene i fileHelloWorld*.class
compilati, quindi esegui il comando seguente per pacchettizzare i file del corso in un jar con un manifest che specifica il punto di ingresso principale della classe (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 jar in Cloud Storage
- Utilizza il comando
gsutil
per copiare il jar in un bucket Cloud Storage nel tuo progetto
$ 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
Inviare un file jar a un job Dataproc Spark
Utilizza Google Cloud Console per inviare il file jar al tuo job Dataproc Spark. Compila i campi nella pagina Invia un job come segue:
- Cluster: seleziona il nome del cluster dall'elenco dei cluster.
- Tipo di job: Spark
Classe o jar principale: specifica il percorso dell'URI Cloud Storage del jar HelloWorld (
gs://your-bucket-name/HelloWorld.jar
).Se il tuo file jar non include un manifest che specifica il punto di ingresso del tuo codice ("Main-Class: HelloWorld"), il campo "Classe principale o jar" deve indicare il nome della tua classe principale ("HelloWorld") e devi compilare il campo"File Terraform"con il percorso dell'URI del tuo file jar
gs://your-bucket-name/HelloWorld.jar
.
Fai clic su Invia per avviare il job. Una volta avviato, il job viene aggiunto all'elenco dei job.
Fai clic sull'ID job per aprire la pagina Job, in cui puoi visualizzare l'output del driver del job.
Scrivi ed esegui il codice Spark Scala utilizzando il REPL spark-shell
del cluster
Potresti voler sviluppare app Scala direttamente sul tuo cluster Dataproc. Hadoop e Spark sono preinstallati nei cluster Dataproc e sono configurati con il connettore Cloud Storage, che consente al tuo codice di leggere e scrivere dati direttamente da e in Cloud Storage.
Questo esempio mostra come connetterti al nodo master del cluster Dataproc del progetto SSH, quindi utilizza il REPL spark-shell per creare ed eseguire un'applicazione mappareduce Scala.
SSH nel nodo master del cluster Dataproc
Vai alla pagina Cluster del progetto in Google Cloud Console, quindi fai clic sul nome del cluster.
Nella pagina dei dettagli del cluster, seleziona la scheda Istanze VM, quindi fai clic sulla selezione SSH che appare a destra della riga del nome del cluster.
Si apre una finestra del browser nella directory home sul nodo master
Lancia
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 (Resilient Distributed Dataset) da uno snippet di testo Shakespeare situato nella Cloud Storage pubblica
scala> val text_file = sc.textFile("gs://pub/shakespeare/rose.txt")
Esegui un conteggio delle parole mappato sul testo, quindi visualizza il risultato
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))
Salva i conteggi in
<bucket-name>/wordcounts-out
in Cloud Storage, quindi esci dascala-shell
scala> wordCounts.saveAsTextFile("gs://<bucket-name>/wordcounts-out/") scala> exit
Usa
gsutil
per elencare i file di output e visualizzarne i contenuti$ 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
Controlla i contenuti
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)
Eseguire il codice di esempio preinstallato
Il nodo master Dataproc contiene file jar eseguibili con esempi di Apache Hadoop e Spark standard.
Tipo di barattolo | Master node /usr/lib/ location |
Origine GitHub | Documenti Apache |
---|---|---|---|
Hadoop | hadoop-mapreduce/hadoop-mapreduce-examples.jar |
link di origine | Tutorial MapReduce |
Spark | spark/lib/spark-examples.jar |
link di origine | Esempi di Spark |
Invio di esempi al cluster dalla riga di comando
Gli esempi possono essere inviati dalla tua macchina di sviluppo locale utilizzando lo strumento a riga di comando gcloud
dell'interfaccia a riga di comando di Google Cloud (vedi
Utilizzo di Google Cloud Console
per inviare job da Google Cloud Console).
Esempio di Hadoop WordCount
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
Esempio di conteggio parole 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
Arresta il cluster
Per evitare addebiti continui, arresta il cluster ed elimina le risorse Cloud Storage (bucket e file Cloud Storage) utilizzati per questo tutorial.
Per arrestare un cluster:
gcloud dataproc clusters delete cluster-name \ --region=region
Per eliminare il file jar di Cloud Storage:
gsutil rm gs://bucket-name/HelloWorld.jar
Puoi eliminare un bucket e tutte le sue cartelle e i relativi file con il comando seguente:
gsutil rm -r gs://bucket-name/
Passaggi successivi
Leggi Gestire le dipendenze Java per le applicazioni Apache Spark su Dataproc.
Consulta i suggerimenti per l'ottimizzazione dei job di Spark