Componente Hudi facoltativo di Dataproc

Puoi installare componenti aggiuntivi come Hudi quando crei un cluster Dataproc utilizzando la funzionalità Componenti facoltativi. Questa pagina descrive come installare facoltativamente il componente Hudi su un cluster Dataproc.

Quando viene installato su un cluster Dataproc, il componente Apache Hudi installa le librerie Hudi e configura Spark e Hive nel cluster per funzionare con Hudi.

Versioni immagine di Dataproc compatibili

Puoi installare il componente Hudi sui cluster Dataproc creati con le seguenti versioni immagine di Dataproc:

Proprietà correlate a Hudi

Quando crei un cluster Dataproc con Hudi, le seguenti proprietà di Spark e Hive vengono configurate per funzionare con Hudi.

File di configurazione	Proprietà	Valore predefinito
`/etc/spark/conf/spark-defaults.conf`	`spark.serializer`	`org.apache.spark.serializer.KryoSerializer`
	`spark.sql.catalog.spark_catalog`	`org.apache.spark.sql.hudi.catalog.HoodieCatalog`
	`spark.sql.extensions`	`org.apache.spark.sql.hudi.HoodieSparkSessionExtension`
	`spark.driver.extraClassPath`	`/usr/lib/hudi/lib/hudi-sparkspark-version-bundle_scala-version-hudi-version.jar`
	`spark.executor.extraClassPath`	`/usr/lib/hudi/lib/hudi-sparkspark-version-bundle_scala-version-hudi-version.jar`
`/etc/hive/conf/hive-site.xml`	`hive.aux.jars.path`	`file:///usr/lib/hudi/lib/hudi-hadoop-mr-bundle-version.jar`

Installare il componente

Installa il componente Hudi quando crei un cluster Dataproc.

Le pagine delle versioni di rilascio delle immagini di Dataproc elencano la versione del componente Hudi inclusa in ogni rilascio di immagini di Dataproc.

Console

Attiva il componente.
- Nella Google Cloud console, apri la pagina Crea un cluster Dataproc. Viene selezionato il riquadro Configura cluster.
- Nella sezione Componenti:
  - In Componenti facoltativi, seleziona il il componente Hudi.

Comando g-cloud

Per creare un cluster Dataproc che includa il componente Hudi, utilizza il comando con il flag --optional-components.

gcloud dataproc clusters create CLUSTER_NAME \
    --region=REGION \
    --optional-components=HUDI \
    --image-version=DATAPROC_VERSION \
    --properties=PROPERTIES

Sostituisci quanto segue:

CLUSTER_NAME: obbligatorio. Il nome del nuovo cluster.
REGION: obbligatorio. La regione del cluster.
DATAPROC_IMAGE: facoltativo. Puoi utilizzare questo flag facoltativo per specificare una versione immagine di Dataproc non predefinita (vedi Versione immagine di Dataproc predefinita).
PROPERTIES: facoltativo. Puoi utilizzare questo flag facoltativo per impostare le proprietà del componente Hudi, che vengono specificate con il prefisso del file hudi: Esempio: properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE).
- Proprietà della versione del componente Hudi: puoi specificare facoltativamente la dataproc:hudi.version proprietà. Nota: la versione del componente Hudi è impostata da Dataproc in modo che sia compatibile con la versione immagine del cluster Dataproc. Se imposti questa proprietà, la creazione del cluster può non riuscire se la versione specificata non è compatibile con l'immagine del cluster.
- Proprietà di Spark e Hive: Dataproc imposta le proprietà di Spark e Hive correlate a Hudi quando viene creato il cluster. Non è necessario impostarle quando crei il cluster o invii i job.

API REST

Il componente Hudi può essere installato tramite l'API Dataproc utilizzando SoftwareConfig.Component come parte di una clusters.create richiesta.

Inviare un job per leggere e scrivere tabelle Hudi

Dopo aver creato un cluster con il componente Hudi, puoi inviare job Spark e Hive che leggono e scrivono tabelle Hudi.

gcloud CLI esempio:

gcloud dataproc jobs submit pyspark \
    --cluster=CLUSTER_NAME \
    --region=region \
    JOB_FILE \
    -- JOB_ARGS

Job PySpark di esempio

Il seguente file PySpark crea, legge e scrive una tabella Hudi.

#!/usr/bin/env python
"""Pyspark Hudi test."""

import sys
from pyspark.sql import SparkSession


def create_hudi_table(spark, table_name, table_uri):
  """Creates Hudi table."""
  create_table_sql = f"""
    CREATE TABLE IF NOT EXISTS {table_name} (
      uuid string,
      begin_lat double,
      begin_lon double,
      end_lat double,
      end_lon double,
      driver string,
      rider string,
      fare double,
      partitionpath string,
      ts long
    ) USING hudi
    LOCATION '{table_uri}'
    TBLPROPERTIES (
      type = 'cow',
      primaryKey = 'uuid',
      preCombineField = 'ts'
    )
    PARTITIONED BY (partitionpath)
  """
  spark.sql(create_table_sql)


def generate_test_dataframe(spark, n_rows):
  """Generates test dataframe with Hudi's built-in data generator."""
  sc = spark.sparkContext
  utils = sc._jvm.org.apache.hudi.QuickstartUtils
  data_generator = utils.DataGenerator()
  inserts = utils.convertToStringList(data_generator.generateInserts(n_rows))
  return spark.read.json(sc.parallelize(inserts, 2))


def write_hudi_table(table_name, table_uri, df):
  """Writes Hudi table."""
  hudi_options = {
      'hoodie.table.name': table_name,
      'hoodie.datasource.write.recordkey.field': 'uuid',
      'hoodie.datasource.write.partitionpath.field': 'partitionpath',
      'hoodie.datasource.write.table.name': table_name,
      'hoodie.datasource.write.operation': 'upsert',
      'hoodie.datasource.write.precombine.field': 'ts',
      'hoodie.upsert.shuffle.parallelism': 2,
      'hoodie.insert.shuffle.parallelism': 2,
  }
  df.write.format('hudi').options(**hudi_options).mode('append').save(table_uri)


def query_commit_history(spark, table_name, table_uri):
  tmp_table = f'{table_name}_commit_history'
  spark.read.format('hudi').load(table_uri).createOrReplaceTempView(tmp_table)
  query = f"""
    SELECT DISTINCT(_hoodie_commit_time)
    FROM {tmp_table}
    ORDER BY _hoodie_commit_time
    DESC
  """
  return spark.sql(query)


def read_hudi_table(spark, table_name, table_uri, commit_ts=''):
  """Reads Hudi table at the given commit timestamp."""
  if commit_ts:
    options = {'as.of.instant': commit_ts}
  else:
    options = {}
  tmp_table = f'{table_name}_snapshot'
  spark.read.format('hudi').options(**options).load(
      table_uri
  ).createOrReplaceTempView(tmp_table)
  query = f"""
    SELECT _hoodie_commit_time, begin_lat, begin_lon,
        driver, end_lat, end_lon, fare, partitionpath,
        rider, ts, uuid
    FROM {tmp_table}
  """
  return spark.sql(query)


def main():
  """Test create write and read Hudi table."""
  if len(sys.argv) != 3:
    raise Exception('Expected arguments: <table_name> <table_uri>')

  table_name = sys.argv[1]
  table_uri = sys.argv[2]

  app_name = f'pyspark-hudi-test_{table_name}'
  print(f'Creating Spark session {app_name} ...')
  spark = SparkSession.builder.appName(app_name).getOrCreate()
  spark.sparkContext.setLogLevel('WARN')

  print(f'Creating Hudi table {table_name} at {table_uri} ...')
  create_hudi_table(spark, table_name, table_uri)

  print('Generating test data batch 1...')
  n_rows1 = 10
  input_df1 = generate_test_dataframe(spark, n_rows1)
  input_df1.show(truncate=False)

  print('Writing Hudi table, batch 1 ...')
  write_hudi_table(table_name, table_uri, input_df1)

  print('Generating test data batch 2...')
  n_rows2 = 10
  input_df2 = generate_test_dataframe(spark, n_rows2)
  input_df2.show(truncate=False)

  print('Writing Hudi table, batch 2 ...')
  write_hudi_table(table_name, table_uri, input_df2)

  print('Querying commit history ...')
  commits_df = query_commit_history(spark, table_name, table_uri)
  commits_df.show(truncate=False)
  previous_commit_ts = commits_df.collect()[1]._hoodie_commit_time

  print('Reading the Hudi table snapshot at the latest commit ...')
  output_df1 = read_hudi_table(spark, table_name, table_uri)
  output_df1.show(truncate=False)

  print(f'Reading the Hudi table snapshot at {previous_commit_ts} ...')
  output_df2 = read_hudi_table(spark, table_name, table_uri, previous_commit_ts)
  output_df2.show(truncate=False)

  print('Stopping Spark session ...')
  spark.stop()

  print('All done')


main()

Il seguente comando gcloud CLI invia il file PySpark di esempio a Dataproc.

gcloud dataproc jobs submit pyspark \
    --cluster=CLUSTER_NAME \
    gs://BUCKET_NAME/pyspark_hudi_example.py \
    -- TABLE_NAME gs://BUCKET_NAME/TABLE_NAME

Utilizzare l'interfaccia a riga di comando Hudi

L'interfaccia a riga di comando Hudi si trova in /usr/lib/hudi/cli/hudi-cli.sh nel nodo master del cluster Dataproc. Puoi utilizzare l'interfaccia a riga di comando Hudi per visualizzare gli schemi, i commit e le statistiche delle tabelle Hudi e per eseguire manualmente operazioni amministrative, come la pianificazione delle compattazioni (vedi Utilizzo di hudi-cli).

Per avviare l'interfaccia a riga di comando Hudi e connetterti a una tabella Hudi:

Accedi tramite SSH al nodo master.
Esegui /usr/lib/hudi/cli/hudi-cli.sh. Il prompt dei comandi diventa hudi->.
Esegui connect --path gs://my-bucket/my-hudi-table.
Esegui comandi come desc, che descrive lo schema della tabella, o commits show, che mostra la cronologia dei commit.
Per interrompere la sessione dell'interfaccia a riga di comando, esegui exit.

Passaggi successivi

Consulta la guida rapida di Hudi.

Componente Hudi facoltativo di Dataproc Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.