Utilizzo di Trino con Dataproc

---

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

Crea un cluster Dataproc con Trino installato

Prepara i dati. Questo il tutorial utilizza Viaggi in taxi a Chicago un set di dati pubblico, disponibile in BigQuery.

1. Estrarre i dati da BigQuery
2. Caricare i dati in Cloud Storage come file CSV.
3. Trasforma i dati:
   1. Esponi i dati come tabella esterna Hive per renderli interrogabile da Trino
   2. Converti i dati dal formato CSV al formato Parquet per ottenere l'esecuzione di query in modo più rapido

Invia query sull'interfaccia a riga di comando o sul codice dell'applicazione Trino utilizzando un tunnel SSH o Trino JDBC rispettivamente al coordinatore Trino in esecuzione sul cluster

Controlla i log e monitora il servizio Trino tramite l'interfaccia utente web di Trino

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

• Dataproc
• Cloud Storage
• BigQuery

Per generare una stima dei costi basata sull'utilizzo previsto, utilizza il Calcolatore prezzi. I nuovi utenti di Google Cloud potrebbero essere idonei per una prova gratuita.

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

1. 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.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

4. Abilita le API Dataproc, Compute Engine, Cloud Storage, and BigQuery.

   Abilita le API

5. Installa Google Cloud CLI.

6. Per initialize gcloud CLI, esegui questo comando:

   gcloud init

7. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

8. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

9. Abilita le API Dataproc, Compute Engine, Cloud Storage, and BigQuery.

   Abilita le API

10. Installa Google Cloud CLI.

11. Per initialize gcloud CLI, esegui questo comando:

    gcloud init

1. Creazione di un bucket Cloud Storage del progetto per conservare i dati usati in questo tutorial.

1. Nella console Google Cloud, vai alla pagina Bucket di Cloud Storage.

   Vai alla pagina Bucket

2. Fai clic su Crea bucket.
3. 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.
4. Fai clic su Crea.

Crea un cluster Dataproc

Crea un cluster eseguendo i comandi mostrati in questa sezione una finestra del terminale sulla macchina locale.

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.

1. 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
   

2. 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
   

   Creazione di un Cluster ad alta disponibilità: un cluster con più nodi master. Questa operazione non è consigliata poiché il coordinatore viene avviato sul nodo master 0 e tutti gli altri nodi master rimarranno inattivi.

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.

1. 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
   

2. Crea tabelle esterne Hive supportate dai file CSV e Parquet in del tuo bucket Cloud Storage.
   1. 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/';"
      

   2. Verifica la creazione della tabella esterna di Hive.
      Salta questo passaggio per risparmiare tempo e utilizzare le risorse. Se il cluster ha 3 o meno nodi, questa query può richiedere diversi minuti. Puoi ignora questo passaggio della query e verifica solo la creazione dell'ultimo Parquet Hive, di seguito, perché il passaggio della query è molto più veloce.

      gcloud dataproc jobs submit hive \
          --cluster trino-cluster \
          --region=${REGION} \
          --execute "SELECT COUNT(*) FROM chicago_taxi_trips_csv;"
      

   3. 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/';"
      

   4. 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;"
      

   5. 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;"
      

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.

1. 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
   

2. 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
   

3. 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)
   

4. 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 dell'applicazione Java

Per eseguire query da un'applicazione Java tramite il driver JDBC di Trino Java: 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>

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:

Attenzione: l'eliminazione di un progetto ha i seguenti effetti:

• L'intero contenuto del progetto viene eliminato. Se hai utilizzato un progetto esistente per le attività in questo documento, quando lo elimini elimini anche qualsiasi altro lavoro svolto nel progetto.
• Gli ID progetto personalizzati non sono più disponibili. Quando hai creato questo progetto, potresti aver creato un ID progetto personalizzato che vuoi utilizzare in futuro. Per conservare gli URL che utilizzano l'ID progetto, ad esempio un URL appspot.com, elimina le risorse selezionate all'interno del progetto anziché eliminare l'intero progetto.

Se intendi esplorare più architetture, tutorial o guide rapide, puoi riutilizzare i progetti ed evitare così di superare i limiti di quota.

1. Nella console Google Cloud, vai alla pagina Gestisci risorse.

   Vai a Gestisci risorse

2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
3. 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