Scrivi ed esegui job Spark Scala su Dataproc

Questo tutorial illustra diversi modi per creare e inviare un job Spark Scala a un cluster Dataproc, incluso come:

  • scrivi e compila un'app Spark Scala "Hello World" su una macchina locale dalla riga di comando utilizzando lo strumento Scala REPL (Read-Evaluation-Print-Loop o interprete interattivo) o lo strumento di creazione SBT
  • pacchetto ha compilato le classi Scala in un file jar con un manifest
  • invia il jar Scala a un job Spark eseguito sul cluster Dataproc
  • esaminare l'output del job Scala dalla console Google Cloud

Questo tutorial ti mostra anche come:

  • scrivi ed esegui un job di mapreduce di Spark Scala "WordCount" direttamente su un cluster Dataproc utilizzando il spark-shellREPL

  • eseguire esempi di Apache Spark e Hadoop preinstallati su un cluster

Configura un progetto Google Cloud Platform

Se non lo hai già fatto:

  1. Configurare un progetto
  2. Crea un bucket Cloud Storage
  3. Crea un cluster Dataproc

Scrivi e compila il codice Scala localmente

Un semplice esercizio per questo tutorial è scrivere un'app Scala "Hello World" utilizzando Scala REPL o l'interfaccia a riga di comando SBT in locale sulla tua macchina di sviluppo.

Usa Scala

  1. Scarica i programmi binari Scala dalla pagina Installazione di Scala
  2. Decomprimi il file, imposta la variabile di ambiente SCALA_HOME e aggiungila al tuo percorso, come mostrato nelle istruzioni di Installazione scalabile. Ad esempio:

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

  3. Avvia REPL Scala

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

  4. Copia e incolla il codice HelloWorld in Scala REPL

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

  5. Salva HelloWorld.scala ed esci dalla REPL

    scala> :save HelloWorld.scala
    scala> :q
    

  6. Compila con scalac

    $ scalac HelloWorld.scala
    

  7. Elenca i .class file compilati

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

Usa SBT

  1. Scarica SBT

  2. 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
    

  3. Crea un file di configurazione sbt.build per impostare artifactName (il nome del file jar che verrà generato di seguito) su "HelloWorld.jar" (vedi Modificare gli artefatti predefiniti)

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

  4. 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 ...
    

  5. Inserisci il codice 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 barattolo

Crea un file jar con SBT o utilizzando il comando jar.

Crea un jar con SBT

Il comando SBT package crea un file jar (vedi Utilizzare SBT).

Crea un jar manualmente

  1. Cambia la directory (cd) nella directory che contiene i file HelloWorld*.class compilati, quindi esegui il comando seguente per pacchettizzare i file della classe in un jar con un manifest che specifica il punto di ingresso della 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%)
    

Copia jar in Cloud Storage

  1. 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 il jar a un job Dataproc Spark

  1. Utilizza la console Google Cloud per inviare il file jar al tuo job Dataproc Spark. Compila i campi della 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 URI Cloud Storage del tuo jar HelloWorld (gs://your-bucket-name/HelloWorld.jar).

      Se il tuo jar non include un file manifest che specifica il punto di ingresso del tuo codice ("Classe principale: HelloWorld"), il campo "Classe o jar principale" deve indicare il nome della classe principale ("HelloWorld") e dovresti compilare il campo "File jar" con il percorso URI del tuo file jar (gs://your-bucket-name/HelloWorld.jar).

  2. Fai clic su Invia per avviare il job. Una volta avviato, il job viene aggiunto all'elenco dei job.

  3. Fai clic sull'ID job per aprire la pagina Job, in cui puoi visualizzare l'output del driver del job.

Scrivi ed esegui codice Spark Scala utilizzando la 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 su Cloud Storage.

Questo esempio mostra come connetterti al nodo master del cluster Dataproc del progetto SSH, quindi utilizza REP.shell per creare ed eseguire un'applicazione mapreduce di Scala Wordcount.

  1. SSH nel nodo master del cluster Dataproc

    1. Vai alla pagina Cluster del progetto nella console Google Cloud, quindi fai clic sul nome del tuo cluster.

    2. Nella pagina dei dettagli del cluster, seleziona la scheda Istanze VM, quindi fai clic sulla selezione SSH che compare a destra della riga del nome del cluster.

      Si apre una finestra del browser nella directory home sul nodo master

  2. Avvia 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. Crea un RDD (Resilient Distributed Dataset) da uno snippet di testo Shakespeare situato in Cloud Storage

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

  4. Esegui un mapreduce del testo sulla pagina, 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))
    

  5. Salva i conteggi in <bucket-name>/wordcounts-out in Cloud Storage, quindi esci dal scala-shell.

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

  6. Utilizza 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
    

  7. 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)
    

Codice di esempio preinstallato in esecuzione

Il nodo master Dataproc contiene file jar eseguibili con esempi standard di Apache Hadoop e Spark.

Tipo di barattolo Master node /usr/lib/ location Origine GitHub Documenti Apache
Hadoop hadoop-mapreduce/hadoop-mapreduce-examples.jar link all'origine Tutorial MapReduce
Spark spark/lib/spark-examples.jar link all'origine Esempi di Spark

Invio di esempi al cluster dalla riga di comando

È possibile inviare esempi dalla macchina di sviluppo locale utilizzando lo strumento a riga di comando gcloud di Google Cloud CLI (vedi Utilizzare la console Google Cloud per inviare job dalla console Google Cloud).

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 Spark WordCount

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 relative cartelle e file utilizzando questo comando:

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

Passaggi successivi