Gravar e executar jobs do Spark Scala no Dataproc

Neste tutorial, ilustramos maneiras diferentes de criar e enviar um job do Spark Scala a um cluster do Dataproc, incluindo como:

  • escrever e compilar um app Spark Scala "Hello World" 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 compilação SBT;
  • empacotar classes do Scala compiladas em um arquivo jar com um manifesto;
  • envie o jar do Scala a um job do Spark que seja executado no cluster do Dataproc
  • Examinar a saída do job Scala do console do Google Cloud

Este tutorial também mostra como:

  • gravar e executar um job do Spark Scala "WordCount" mapreduce diretamente em um cluster do Dataproc 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. Crie um cluster do Dataproc

Escrever e compilar código em Scala localmente

Como um exercício simples para este tutorial, grave um app Scala "Hello World" usando o Scala REPL ou a interface de linha de comando SBT localmente na sua máquina de desenvolvimento.

Usar Scala

  1. Faça download dos binários do Scala da página de instalação do Scala.
  2. Desempacote o arquivo, defina a variável de ambiente SCALA_HOME e adicione-a ao caminho, conforme mostrado nas instruções de instalação do Scala. 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. Listar os arquivos .class compilados

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

Usar SBT

  1. Fazer 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 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 saia.

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

Criar um jar

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

Criar um jar com o SBT

O comando package do SBT cria um arquivo jar. Consulte Usar SBT.

Criar um jar manualmente

  1. Altere o diretório (cd) para o 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 especifica 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 o comando gsutil para copiar o jar para um bucket do Cloud Storage do projeto.
$ 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

Enviar jar para um job do Spark do Dataproc

  1. Use o console para enviar o arquivo jar para o job do 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 principal ou jar: especifique o caminho do URI do Cloud Storage para seu jar do HelloWorld (gs://your-bucket-name/HelloWorld.jar).

      Se o jar não incluir um manifesto que especifique um ponto de entrada para seu código ("Main-Class: HelloWorld"), o campo "quo: Mainclass" ou "jar"" deverá declarar o nome da classe principal ("HelloWorld") e você precisará preencher o campo "quot;Jar files"" com o caminho de URI para o 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 código do job para abrir a página Jobs, em que é possível ver a saída do driver do job.

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

Talvez você queira desenvolver apps 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, o que permite que seu código leia e grave dados diretamente no Cloud Storage e a partir dele.

Este exemplo mostra como executar SSH no nó mestre do cluster do Dataproc do seu projeto e usar o REPL spark-shell para criar e executar um aplicativo mapreduce de contagem de palavras do Scala.

  1. SSH no nó mestre do cluster do Dataproc

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

    2. Na página de detalhes do cluster, selecione a guia Instâncias de VM e clique na seleção SSH que aparece à direita da linha de nome do cluster.

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

  2. Abrir 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 conjunto de dados distribuídos (RDD, na sigla em inglês) a partir de um snippet de texto de Shakespeare localizado no Cloud Storage público.

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

  4. Executar um mapreduce de contagem de palavras no texto e exibir 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. Usar gsutil para listar os arquivos de saída e exibir o conteúdo do arquivo

    $ 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. Confira o conteúdo 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)
    

Execução de código de exemplo pré-instalado

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

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

É possível enviar exemplos da sua máquina de desenvolvimento local usando a ferramenta de linha de comando gcloud da Google Cloud CLI. 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:

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

Você pode excluir um bucket e todos os respectivos arquivos e pastas usando o seguinte comando:

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

A seguir