Trino (in precedenza Presto) è un motore di query SQL distribuito, progettato per eseguire query su set di dati di grandi dimensioni, distribuiti in una o più origini dati eterogenee. Trino può eseguire query su Hive, MySQL, Kafka e altre origini dati tramite connettori. Questo tutorial ti mostra come:
- Installare il servizio Trino su un cluster Dataproc
- Esegui query su 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 sul tuo cluster attraverso 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 interrogabili da Trino
- Converti i dati dal formato CSV in formato Parquet per velocizzare le query
Costi
In questo documento vengono utilizzati 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 lo hai già fatto, crea un progetto Google Cloud e un bucket Cloud Storage per contenere i dati utilizzati 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.
-
Nella console di Google Cloud Console, nella pagina del selettore dei progetti, seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Dataproc, Compute Engine, Cloud Storage, and BigQuery.
- Installa Google Cloud CLI.
-
Per inizializzare l'interfaccia a riga di comando gcloud, esegui il comando seguente:
gcloud init
-
Nella console di Google Cloud Console, nella pagina del selettore dei progetti, seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Dataproc, Compute Engine, Cloud Storage, and BigQuery.
- Installa Google Cloud CLI.
-
Per inizializzare l'interfaccia a riga di comando gcloud, esegui il comando seguente:
gcloud init
- Nella console, vai alla pagina Browser Cloud Storage.
- Fai clic su Crea bucket.
- Nella pagina Crea un bucket, inserisci le informazioni sul bucket. Per andare al passaggio successivo, fai clic su Continua.
- Per Assegna un nome al bucket, inserisci un nome che soddisfi i requisiti per la denominazione dei bucket.
-
Per scegliere dove archiviare i dati, segui questi passaggi:
- Seleziona un'opzione Tipo di località.
- Seleziona un'opzione Località.
- Per Scegliere una classe di archiviazione predefinita per i tuoi dati, seleziona una classe di archiviazione.
- In Scegli come controllare l'accesso agli oggetti, seleziona un'opzione di Controllo dell'accesso.
- (Facoltativo) Per le Impostazioni avanzate, specifica un metodo di crittografia, un criterio di conservazione o etichette di bucket.
- Fai clic su Crea.
Crea un cluster Dataproc
Crea un cluster Dataproc utilizzando il flag optional-components (disponibile sulla versione immagine 2.1 e successive) per installare il componente facoltativo Trino sul cluster e il flag enable-component-gateway per abilitare il gateway dei componenti in modo da poter accedere alla UI 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 creato in Prima di iniziare
- REGIONE: regione in cui 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 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 chicago_taxi_trips bigquery-public-data in Cloud Storage come file CSV, quindi crea una tabella esterna Hive per fare riferimento ai dati.
- Sulla macchina locale, esegui questo comando per importare i dati dei taxi da BigQuery come file CSV senza intestazioni nel bucket Cloud Storage creato nella sezione Prima di iniziare.
bq --location=us extract --destination_format=CSV \ --field_delimiter=',' --print_header=false \ "bigquery-public-data:chicago_taxi_trips.taxi_trips" \ gs://${BUCKET_NAME}/chicago_taxi_trips/csv/shard-*.csv - Crea tabelle esterne Hive supportate dai file CSV e Parquet nel bucket Cloud Storage.
- Crea la tabella esterna di Hive
chicago_taxi_trips_csv.gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${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://${BUCKET_NAME}/chicago_taxi_trips/csv/';" - Verifica la creazione della tabella esterna Hive.
gcloud dataproc jobs submit hive \ --cluster trino-cluster \ --region=${REGION} \ --execute "SELECT COUNT(*) FROM chicago_taxi_trips_csv;" - Crea un'altra tabella esterna di Hive
chicago_taxi_trips_parquetcon le stesse colonne, ma con 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 Hive nella tabella Hive Parquet.
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 le query in locale dall'interfaccia a riga di comando di Trino o da un'applicazione.
Query sull'interfaccia a riga di comando di Trino
Questa sezione mostra come eseguire query sul set di dati taxi Hive Parquet utilizzando l'interfaccia a riga di comando Trino.
- Esegui questo comando sulla macchina locale per connetterti tramite SSH al nodo master del 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 possa 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 in Parquet rispetto ai dati CSV.- Query sui dati di 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 di Parquet
Query dell'applicazione Java
Per eseguire query da un'applicazione Java tramite il driver JDBC Java di Trino:
1. Scarica il driver JDBCTrino Java.
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 Trino si trovano in /var/log/trino/ sui nodi master e worker del cluster.
UI web
Consulta Visualizzazione e accesso agli URL dei gateway dei componenti per aprire la UI 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 di 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 eseguire la pulizia delle risorse che hai creato in modo che smettano di utilizzare la quota e non incorrano in addebiti. Le sezioni seguenti 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:
- 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.
Eliminare 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 archiviati nel bucket:
gsutil -m rm -r gs://${BUCKET_NAME}