Trino (in precedenza Presto) è una query SQL distribuita progettato per interrogare set di dati di grandi dimensioni distribuiti su uno o più da origini dati eterogenee. Trino può eseguire query su Hive, MySQL, Kafka e altri dati tramite connettori. Questo tutorial illustra come:
- Installa il servizio Trino su un cluster Dataproc
- Query su dati pubblici da un client Trino installato sulla macchina locale che comunica con un servizio Trino sul tuo cluster
- Esegui query da un'applicazione Java che comunica con Servizio Trino sul tuo cluster tramite il driver JDBC Trino Java.
Obiettivi
- Estrarre i dati da BigQuery
- Caricare i dati in Cloud Storage come file CSV.
- Trasforma i dati:
- Esponi i dati come tabella esterna Hive per renderli interrogabile da Trino
- Converti i dati dal formato CSV al formato Parquet per ottenere l'esecuzione di query in modo più rapido
![](https://cloud.google.com/static/dataproc/images/presto-tutorial.png?authuser=4&hl=it)
Costi
In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:
Per generare una stima dei costi basata sull'utilizzo previsto,
utilizza il Calcolatore prezzi.
Prima di iniziare
Se non lo hai già fatto, crea un progetto Google Cloud Bucket Cloud Storage in cui inserire i dati usati in questo tutorial. 1. Configurazione del progetto- Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Dataproc, Compute Engine, Cloud Storage, and BigQuery.
- 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.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Dataproc, Compute Engine, Cloud Storage, and BigQuery.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
- Nella console Google Cloud, vai alla pagina Bucket di Cloud Storage.
- Fai clic su Crea bucket.
- Nella pagina Crea un bucket, inserisci le informazioni del bucket. Per andare al passaggio successivo, fai clic su Continua.
- In Assegna un nome al bucket, inserisci un nome che soddisfi i requisiti di denominazione dei bucket.
-
Per Scegli dove archiviare i tuoi dati, segui questi passaggi:
- Seleziona un'opzione Tipo di località.
- Seleziona un'opzione Località.
- In Scegli una classe di archiviazione predefinita per i dati, seleziona una classe di archiviazione.
- Per Scegli come controllare l'accesso agli oggetti, seleziona un'opzione Controllo dell'accesso.
- In Impostazioni avanzate (facoltative), specifica un metodo di crittografia, un criterio di conservazione o le etichette dei bucket.
- Fai clic su Crea.
Crea un cluster Dataproc
Creare un cluster Dataproc utilizzando il flag optional-components
(disponibile nella versione 2.1 e successive dell'immagine) per installare
Componente facoltativo Trino nella
e il flag enable-component-gateway
per abilitare
Gateway dei componenti per consentire
per accedere alla UI web di Trino dalla console Google Cloud.
- Imposta le variabili di ambiente:
- PROGETTO: il tuo ID progetto
- BUCKET_NAME: il nome del bucket Cloud Storage creato in Prima di iniziare
- REGIONE: regione dove verrà creato il cluster utilizzato in questo tutorial, ad esempio "us-west1"
- LAVORATORI: per questo tutorial sono consigliati da 3 a 5 worker
export PROJECT=project-id export WORKERS=number export REGION=region export BUCKET_NAME=bucket-name
- Esegui Google Cloud CLI sulla macchina locale per
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 bigquery-public-data
chicago_taxi_trips
in Cloud Storage come file CSV, quindi crea una tabella esterna Hive
per fare riferimento ai dati.
- Sul tuo computer locale, esegui questo comando per importare i dati sui taxi da
BigQuery come file CSV senza intestazioni in Cloud Storage
che hai creato nel passaggio Prima di iniziare.
bq --location=us extract --destination_format=CSV \ --field_delimiter=',' --print_header=false \ "bigquery-public-data:chicago_taxi_trips.taxi_trips" \ gs://${BUCKET_NAME}/chicago_taxi_trips/csv/shard-*.csv
- Crea tabelle esterne Hive supportate dai file CSV e Parquet in
del tuo bucket Cloud Storage.
- Crea la tabella esterna di Hive
chicago_taxi_trips_csv
.gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${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://${BUCKET_NAME}/chicago_taxi_trips/csv/';"
- Verifica la creazione
della tabella esterna di Hive.
gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute "SELECT COUNT(*) FROM chicago_taxi_trips_csv;"
- Crea un'altra tabella esterna Hive
chicago_taxi_trips_parquet
con le stesse colonne, ma con i dati archiviati 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 Hive nell'
Tavolo in parquet 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 di Hive
esegui delle query
Puoi eseguire query in locale da Trino CLI o da un'applicazione.
Query dell'interfaccia a riga di comando Trino
Questa sezione mostra come eseguire query sul set di dati sui taxi Hive Parquet utilizzando interfaccia a riga di comando Trino.
- Esegui il comando seguente sulla macchina locale per accedere tramite SSH al server
nodo master. Il terminale locale smetterà di rispondere durante l'esecuzione dell'operazione
.
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 master.
nodo.
trino --catalog hive --schema default
- Al prompt
trino:default
, verifica che Trino possa trovare le tabelle Hive.show tables;
Table ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ chicago_taxi_trips_csv chicago_taxi_trips_parquet (2 rows)
- Esegui le query dal prompt
trino:default
e confronta il rendimento dell'esecuzione di query con i dati Parquet e CSV.- Query sui dati del parco giochi
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 del parco giochi
Query dell'applicazione Java
Per eseguire query da un'applicazione Java tramite il driver JDBC di Trino Java:
1. Scarica
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>Codice Java di esempio
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 all'indirizzo /var/log/trino/
sul master del cluster e
nodi worker.
UI web
Consulta Visualizzazione e accesso agli URL del gateway dei componenti per aprire nel browser locale la UI web di Trino in esecuzione sul nodo master del cluster.
Monitoraggio
Trino espone le informazioni di runtime del cluster tramite tabelle di runtime.
In una sessione Trino (dal prompt trino:default
),
Esegui questa query per visualizzare i dati della tabella di runtime:
select * FROM system.runtime.nodes;
Esegui la pulizia
Al termine del tutorial, puoi eseguire la pulizia delle risorse che hai creato in modo che smettono di usare la quota e comportano addebiti. Le seguenti sezioni descrivono come eliminare o disattivare queste risorse.
Elimina il progetto
Il modo più semplice per eliminare la fatturazione creato per il tutorial.
Per eliminare il progetto:
- Nella console Google Cloud, vai alla pagina Gestisci risorse.
- Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
- Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.
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
Prima di iniziare, inclusi i file di dati
archiviati nel bucket:
gcloud storage rm gs://${BUCKET_NAME} --recursive