Usa Trino con Dataproc


Trino (antes conocido como Presto) es un motor de consulta en SQL distribuido diseñado para consultar grandes conjuntos de datos distribuidos en una o más fuentes de datos heterogéneas. Trino puede consultar Hive, MySQL, Kafka y otras fuentes de datos a través de conectores. En este instructivo, se muestra cómo hacer lo siguiente:

  • Instala el servicio de Trino en un clúster de Dataproc
  • Consultar datos públicos de un cliente de Trino instalado en tu máquina local que se comunique con un servicio de Trino en tu clúster
  • Ejecutar consultas desde una aplicación de Java que se comunique con el servicio de Trino en tu clúster mediante el controlador JDBC de Java de Trino.

Objetivos

  • Crear un clúster de Dataproc con Trino instalado
  • Preparar los datos. En este instructivo, se usa el conjunto de datos públicos Chicago Taxi Trips, disponible en BigQuery
    1. Extraer los datos de BigQuery
    2. Cargar los datos en Cloud Storage como archivos CSV
    3. Transformar datos:
      1. Expón los datos como una tabla externa de Hive para que Trino pueda consultarlos.
      2. Convertir los datos del formato CSV al formato Parquet para que las consultas sean más rápidas
  • Enviar las consultas de la CLI de Trino o del código de la aplicación mediante un túnel SSH o un controlador Trino JDBC, respectivamente, al coordinador de Trino que se ejecuta en el clúster
  • Revisa los registros y supervisa el servicio de Trino mediante la IU web de Trino
  • Costos

    En este documento, usarás los siguientes componentes facturables de Google Cloud:

    Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios. Es posible que los usuarios nuevos de Google Cloud califiquen para obtener una prueba gratuita.

    Antes de comenzar

    Si aún no lo hiciste, crea un proyecto de Google Cloud y un bucket de Cloud Storage para conservar los datos que se usan en este instructivo. 1. Configura tu proyecto
    1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
    2. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

      Ir al selector de proyectos

    3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

    4. Habilita las API de Dataproc, Compute Engine, Cloud Storage, and BigQuery.

      Habilita las API

    5. Instala Google Cloud CLI.
    6. Para inicializar la CLI de gcloud, ejecuta el siguiente comando:

      gcloud init
    7. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.

      Ir al selector de proyectos

    8. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

    9. Habilita las API de Dataproc, Compute Engine, Cloud Storage, and BigQuery.

      Habilita las API

    10. Instala Google Cloud CLI.
    11. Para inicializar la CLI de gcloud, ejecuta el siguiente comando:

      gcloud init
    1. Crea un bucket de Cloud Storage en tu proyecto para conservar los datos que se usan en este instructivo.
    1. En la consola de Google Cloud, ve a la página Buckets de Cloud Storage.

      Ir a la página Buckets

    2. Haga clic en Crear bucket.
    3. En la página Crear un bucket, ingresa la información de tu bucket. Para ir al paso siguiente, haz clic en Continuar.
    4. Haga clic en Crear.

    Cree un clúster de Dataproc.

    Crea un clúster de Dataproc con la marca optional-components (disponible en la versión de imagen 2.1 y posteriores) para instalar el componente opcional de Trino en el clúster y la marca enable-component-gateway a fin de habilitar la puerta de enlace de componentes para que puedas acceder a la IU web de Trino desde Google Cloud Console.

    1. Configura las variables de entorno:
      • PROJECT: El ID de tu proyecto
      • BUCKET_NAME: El nombre del depósito de Cloud Storage que creaste en la sección Antes de comenzar
      • REGION: La región donde se creará el clúster que se usa en este instructivo, por ejemplo, "us-west1"
      • WORKERS: Se recomienda usar entre 3 y 5 trabajadores para las actividades de este instructivo.
      export PROJECT=project-id
      export WORKERS=number
      export REGION=region
      export BUCKET_NAME=bucket-name
      
    2. Ejecuta Google Cloud CLI en tu máquina local para crear el clúster.
      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
      

    Prepara los datos

    Exporta el conjunto de datos chicago_taxi_trips de bigquery-public-data a Cloud Storage como archivos CSV y, luego, crea una tabla externa de Hive para hacer referencia a los datos.

    1. En la máquina local, ejecuta el siguiente comando para importar los datos de taxis de BigQuery como archivos CSV sin encabezados al bucket de Cloud Storage que creaste en la sección Antes de comenzar.
      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
      
    2. Crea tablas externas de Hive que estén respaldadas por los archivos CSV y Parquet de tu bucket de Cloud Storage.
      1. Crea la tabla externa de 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/';"
        
      2. Verifica la creación de la tabla externa de Hive.
        
        gcloud dataproc jobs submit hive \
            --cluster trino-cluster \
            --region=${REGION} \
            --execute "SELECT COUNT() FROM chicago_taxi_trips_csv;"
        
      3. Crea otra tabla externa de Hive chicago_taxi_trips_parquet con las mismas columnas, pero con datos almacenados en formato Parquet para mejorar el rendimiento de las consultas.
        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/';"
        
      4. Carga los datos de la tabla CSV de Hive en la tabla de Parquet de 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;"
        
      5. Verifique que los datos se hayan cargado correctamente.
        gcloud dataproc jobs submit hive \
            --cluster trino-cluster \
            --region=${REGION} \
            --execute "SELECT COUNT(*) FROM chicago_taxi_trips_parquet;"
        

    Ejecuta consultas

    Puedes ejecutar consultas de forma local desde la CLI de Trino o desde una aplicación.

    Consultas de la CLI de Trino

    En esta sección, se muestra cómo consultar el conjunto de datos de taxis de Parquet de Hive con la CLI de Trino.

    1. Ejecuta el siguiente comando en tu máquina local para establecer una conexión SSH al nodo principal del clúster. La terminal local dejará de responder durante la ejecución del comando.
      gcloud compute ssh trino-cluster-m
      
    2. En la ventana de la terminal SSH del nodo principal de tu clúster, ejecuta la CLI de Trino, que se conecta al servidor de Trino que se ejecuta en el nodo principal.
      trino --catalog hive --schema default
      
    3. Cuando aparezca el cuadro trino:default, verifica que Trino pueda encontrar las tablas de Hive.
      show tables;
      
      Table
      ‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
       chicago_taxi_trips_csv
       chicago_taxi_trips_parquet
      (2 rows)
      
    4. Ejecuta consultas desde el mensaje trino:default y compara el rendimiento de consultar datos Parquet y CSV.
      • Consulta de datos de 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]
      • Consulta de datos 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]

    Consultas de aplicaciones Java

    Para ejecutar consultas desde una aplicación de Java mediante el controlador JDBC de Java de Trino, sigue estos pasos: 1. Descarga el controlador JDBC de Java para Trino. 1. Agrega una dependencia trino-jdbc en Maven pom.xml.

    <dependency>
      <groupId>io.trino</groupId>
      <artifactId>trino-jdbc</artifactId>
      <version>376</version>
    </dependency>
    
    Ejemplo de código Java
    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();
        }
      }
    }
    

    Registros y supervisión

    Registros

    Los registros de Trino se encuentran en /var/log/trino/, en los nodos principales y trabajadores del clúster.

    IU web

    Consulta Visualiza y accede a las URL de la puerta de enlace de componentes para abrir la IU web de Trino que se ejecuta en el nodo principal del clúster en tu navegador local.

    Supervisión

    Trino expone la información del entorno de ejecución del clúster mediante tablas de entornos de ejecución. En una sesión de Trino (desde trino:default), ejecuta la siguiente consulta para ver los datos de la tabla del entorno de ejecución:

    select * FROM system.runtime.nodes;
    

    Limpia

    Una vez que completes el instructivo, puedes limpiar los recursos que creaste para que dejen de usar la cuota y generar cargos. En las siguientes secciones, se describe cómo borrar o desactivar estos recursos.

    Borra el proyecto

    La manera más fácil de eliminar la facturación es borrar el proyecto que creaste para el instructivo.

    Para borrar el proyecto, haga lo siguiente:

    1. En la consola de Google Cloud, ve a la página Administrar recursos.

      Ir a Administrar recursos

    2. En la lista de proyectos, elige el proyecto que quieres borrar y haz clic en Borrar.
    3. En el diálogo, escribe el ID del proyecto y, luego, haz clic en Cerrar para borrar el proyecto.

    Borre el clúster

    • Para borrar tu clúster, haz lo siguiente:
      gcloud dataproc clusters delete --project=${PROJECT} trino-cluster \
          --region=${REGION}
      

    Borra el bucket

    • Para borrar el bucket de Cloud Storage que creaste en la sección Antes de comenzar, incluidos los archivos de datos almacenados en el bucket, haz lo siguiente:
      gsutil -m rm -r gs://${BUCKET_NAME}