Trino (in precedenza Presto) è un motore di query SQL distribuito progettato per eseguire query su set di dati di grandi dimensioni distribuiti su una o più origini dati eterogenee. Trino può eseguire query su Hive, MySQL, Kafka e altre origini dati tramite connettori. Questo tutorial illustra come:
- Installa il servizio Trino su un cluster Dataproc
- Esegui query sui dati pubblici da un client Trino installato sulla tua macchina locale che comunica con un servizio Trino sul tuo cluster
- Esegui query da un'applicazione Java che comunica con il servizio Trino nel tuo cluster tramite il driver JDBC Java di Trino.
Obiettivi
- Estrai i dati da BigQuery
- Carica i dati in Cloud Storage come file CSV
- Trasforma i dati:
- Esponi i dati come tabella esterna Hive per consentirne la query da parte di Trino
- Converti i dati dal formato CSV in formato Parquet per velocizzare le query
Costi
In questo documento utilizzi i seguenti componenti fatturabili di Google Cloud:
Per generare una stima dei costi in base all'utilizzo previsto,
utilizza il Calcolatore prezzi.
Prima di iniziare
Se non l'hai ancora fatto, crea un progetto Google Cloud e un bucket Cloud Storage per contenere i dati utilizzati in questo tutorial. 1. Configurazione del progetto- Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Dataproc, Compute Engine, Cloud Storage, and BigQuery APIs.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init -
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the Dataproc, Compute Engine, Cloud Storage, and BigQuery APIs.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
- In the Google Cloud console, go to the Cloud Storage Buckets page.
- Click Create bucket.
- On the Create a bucket page, enter your bucket information. To go to the next
step, click Continue.
- For Name your bucket, enter a name that meets the bucket naming requirements.
-
For Choose where to store your data, do the following:
- Select a Location type option.
- Select a Location option.
- For Choose a default storage class for your data, select a storage class.
- For Choose how to control access to objects, select an Access control option.
- For Advanced settings (optional), specify an encryption method, a retention policy, or bucket labels.
- Click Create.
Crea un cluster Dataproc
Crea un cluster Dataproc utilizzando il flag optional-components
(disponibile nella versione dell'immagine 2.1 e successive) per installare il
componente facoltativo Trino sul
cluster e il flag enable-component-gateway per attivare il
gateway dei componenti in modo da poter accedere all'interfaccia utente web di Trino dalla console Google Cloud.
- Imposta le variabili di ambiente:
- PROJECT: il tuo ID progetto
- BUCKET_NAME::il nome del bucket Cloud Storage che hai creato in Prima di iniziare
- REGIONE: regione in cui verrà creato il cluster utilizzato in questo tutorial, ad esempio "us-west1"
- OPERATORI: per questo tutorial sono consigliati 3-5 operatori
export PROJECT=project-id export WORKERS=number export REGION=region export BUCKET_NAME=bucket-name
- Esegui Google Cloud CLI sulla tua macchina locale per
creare il cluster.
gcloud beta dataproc clusters create trino-cluster \ --project=${PROJECT} \ --region=${REGION} \ --num-workers=${WORKERS} \ --scopes=cloud-platform \ --optional-components=TRINO \ --image-version=2.1 \ --enable-component-gateway
Preparazione dei dati
Esporta il set di dati bigquery-public-data chicago_taxi_trips
in Cloud Storage come file CSV, quindi crea una tabella esterna Hive
per fare riferimento ai dati.
- Sul computer locale, esegui il seguente comando per importare i dati dei taxi da
BigQuery come file CSV senza intestazioni nel bucket Cloud Storage
che hai creato in Prima di iniziare.
bq --location=us extract --destination_format=CSV \ --field_delimiter=',' --print_header=false \ "bigquery-public-data:chicago_taxi_trips.taxi_trips" \ gs://${BUCKET_NAME}/chicago_taxi_trips/csv/shard-*.csv - Crea tabelle esterne Hive basate sui file CSV e Parquet nel
tuo bucket Cloud Storage.
- Crea la tabella esterna Hive
chicago_taxi_trips_csv.gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute " CREATE EXTERNAL TABLE chicago_taxi_trips_csv( unique_key STRING, taxi_id STRING, trip_start_timestamp TIMESTAMP, trip_end_timestamp TIMESTAMP, trip_seconds INT, trip_miles FLOAT, pickup_census_tract INT, dropoff_census_tract INT, pickup_community_area INT, dropoff_community_area INT, fare FLOAT, tips FLOAT, tolls FLOAT, extras FLOAT, trip_total FLOAT, payment_type STRING, company STRING, pickup_latitude FLOAT, pickup_longitude FLOAT, pickup_location STRING, dropoff_latitude FLOAT, dropoff_longitude FLOAT, dropoff_location STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE location 'gs://${BUCKET_NAME}/chicago_taxi_trips/csv/';" - Verifica la creazione
della tabella esterna Hive.
gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute "SELECT COUNT(*) FROM chicago_taxi_trips_csv;" - Crea un'altra tabella esterna Hive
chicago_taxi_trips_parquetcon le stesse colonne, ma con i dati archiviati in formato Parquet per migliorare le prestazioni delle query.gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute " CREATE EXTERNAL TABLE chicago_taxi_trips_parquet( unique_key STRING, taxi_id STRING, trip_start_timestamp TIMESTAMP, trip_end_timestamp TIMESTAMP, trip_seconds INT, trip_miles FLOAT, pickup_census_tract INT, dropoff_census_tract INT, pickup_community_area INT, dropoff_community_area INT, fare FLOAT, tips FLOAT, tolls FLOAT, extras FLOAT, trip_total FLOAT, payment_type STRING, company STRING, pickup_latitude FLOAT, pickup_longitude FLOAT, pickup_location STRING, dropoff_latitude FLOAT, dropoff_longitude FLOAT, dropoff_location STRING) STORED AS PARQUET location 'gs://${BUCKET_NAME}/chicago_taxi_trips/parquet/';" - Carica i dati dalla tabella CSV di Hive nella tabella Parquet di Hive.
gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute " INSERT OVERWRITE TABLE chicago_taxi_trips_parquet SELECT * FROM chicago_taxi_trips_csv;" - Verifica che i dati siano stati caricati correttamente.
gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute "SELECT COUNT(*) FROM chicago_taxi_trips_parquet;"
- Crea la tabella esterna Hive
esegui delle query
Puoi eseguire query localmente dalla CLI di Trino o da un'applicazione.
Query dell'interfaccia a riga di comando Trino
Questa sezione mostra come eseguire query sul set di dati taxi Hive Parquet utilizzando la CLI Trino.
- Esegui il seguente comando sulla tua macchina locale per connetterti tramite SSH al node master del tuo cluster. Il terminale locale smetterà di rispondere durante l'esecuzione del
comando.
gcloud compute ssh trino-cluster-m
- Nella finestra del terminale SSH sul nodo master del cluster, esegui l'interfaccia a riga di comando Trino, che si connette al server Trino in esecuzione sul nodo master.
trino --catalog hive --schema default
- Al prompt
trino:default, verifica che Trino riesca a trovare le tabelle Hive.show tables;
Table ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ chicago_taxi_trips_csv chicago_taxi_trips_parquet (2 rows)
- Esegui query dal prompt
trino:defaulte confronta le prestazioni delle query sui dati Parquet rispetto a quelle sui dati CSV.- Query sui dati Parquet
select count(*) from chicago_taxi_trips_parquet where trip_miles > 50;
_col0 ‐‐‐‐‐‐‐‐ 117957 (1 row)
Query 20180928_171735_00006_2sz8c, FINISHED, 3 nodes Splits: 308 total, 308 done (100.00%) 0:16 [113M rows, 297MB] [6.91M rows/s, 18.2MB/s] - Query sui dati CSV
select count(*) from chicago_taxi_trips_csv where trip_miles > 50;
_col0 ‐‐‐‐‐‐‐‐ 117957 (1 row)
Query 20180928_171936_00009_2sz8c, FINISHED, 3 nodes Splits: 881 total, 881 done (100.00%) 0:47 [113M rows, 41.5GB] [2.42M rows/s, 911MB/s]
- Query sui dati Parquet
Query sulle applicazioni Java
Per eseguire query da un'applicazione Java tramite il driver JDBC Java di Trino:
1. Scarica il
driver JDBC Java di Trino.
1. Aggiungi una dipendenza trino-jdbc in
Maven pom.xml.
<dependency> <groupId>io.trino</groupId> <artifactId>trino-jdbc</artifactId> <version>376</version> </dependency>
package dataproc.codelab.trino;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;
import java.util.Properties;
public class TrinoQuery {
private static final String URL = "jdbc:trino://trino-cluster-m:8080/hive/default";
private static final String SOCKS_PROXY = "localhost:1080";
private static final String USER = "user";
private static final String QUERY =
"select count(*) as count from chicago_taxi_trips_parquet where trip_miles > 50";
public static void main(String[] args) {
try {
Properties properties = new Properties();
properties.setProperty("user", USER);
properties.setProperty("socksProxy", SOCKS_PROXY);
Connection connection = DriverManager.getConnection(URL, properties);
try (Statement stmt = connection.createStatement()) {
ResultSet rs = stmt.executeQuery(QUERY);
while (rs.next()) {
int count = rs.getInt("count");
System.out.println("The number of long trips: " + count);
}
}
} catch (SQLException e) {
e.printStackTrace();
}
}
}Logging e monitoraggio
Logging
I log di Trino si trovano in /var/log/trino/ sui nodi master e worker del cluster.
UI web
Consulta Visualizzazione e accesso agli URL del gateway dei componenti per aprire l'interfaccia utente web di Trino in esecuzione sul nodo master del cluster nel browser locale.
Monitoraggio
Trino espone le informazioni di runtime del cluster tramite le tabelle di runtime.
In una sessione Trino (dal prompt trino:default),
esegui la seguente query per visualizzare i dati della tabella di runtime:
select * FROM system.runtime.nodes;
Esegui la pulizia
Al termine del tutorial, puoi eliminare le risorse che hai creato in modo che smettano di utilizzare la quota e di generare addebiti. Le seguenti sezioni descrivono come eliminare o disattivare queste risorse.
Elimina il progetto
Il modo più semplice per eliminare la fatturazione è eliminare il progetto che hai creato per il tutorial.
Per eliminare il progetto:
- In the Google Cloud console, go to the Manage resources page.
- In the project list, select the project that you want to delete, and then click Delete.
- In the dialog, type the project ID, and then click Shut down to delete the project.
Elimina il cluster
- Per eliminare il cluster:
gcloud dataproc clusters delete --project=${PROJECT} trino-cluster \ --region=${REGION}
Elimina il bucket
- Per eliminare il bucket Cloud Storage creato in
Prima di iniziare, inclusi i file di dati
memorizzati nel bucket:
gcloud storage rm gs://${BUCKET_NAME} --recursive