"Managed Service for Apache Spark" è il nuovo nome del prodotto precedentemente noto come "Dataproc on Compute Engine" (deployment del cluster) e "Google Cloud Serverless for Apache Spark" (deployment serverless).

Utilizzare Trino con Managed Service per Apache Spark

Trino (in precedenza Presto) è un motore di query SQL distribuito progettato per eseguire query su set di dati di grandi dimensioni distribuiti su una o più origini dati eterogenee. Trino può eseguire query su Hive, MySQL, Kafka e altre origini dati tramite connettori. Questo tutorial mostra come:

Installare il servizio Trino su un cluster Managed Service per Apache Spark
Eseguire query sui dati pubblici da un client Trino installato sulla macchina locale che comunica con un servizio Trino sul cluster
Eseguire query da un'applicazione Java che comunica con il servizio Trino sul cluster tramite il driver Trino Java JDBC.

Obiettivi

Creare un cluster Managed Service per Apache Spark con Trino installato

Preparare i dati. Questo tutorial utilizza il set di dati pubblico Chicago Taxi Trips, disponibile in BigQuery.

Estrarre i dati da BigQuery
Caricare i dati in Cloud Storage come file CSV
Trasformare i dati:
1. Esponi i dati come tabella esterna Hive per renderli interrogabili da Trino
2. Converti i dati dal formato CSV al formato Parquet per velocizzare le query

Inviare le query di Trino CLI o del codice dell'applicazione utilizzando rispettivamente un tunnel SSH o il driver Trino JDBC al coordinatore Trino in esecuzione sul cluster

Controllare i log e monitorare il servizio Trino tramite l'interfaccia utente web di Trino

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.

I nuovi Google Cloud utenti potrebbero avere diritto a una prova senza costi.

Prima di iniziare

Se non l'hai già fatto, crea un Google Cloud progetto e un bucket Cloud Storage per contenere i dati utilizzati in questo tutorial. 1. Configurazione del progetto

Accedi al tuo Google Cloud account. Se non hai mai utilizzato Google Cloud, crea un account per valutare il rendimento dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti senza costi per l'esecuzione, il test e il deployment dei workload.

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

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc, Compute Engine, Cloud Storage, and BigQuery APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Installa Google Cloud CLI.

Se utilizzi un provider di identità (IdP) esterno, devi prima accedere a gcloud CLI con la tua identità federata.

Per inizializzare gcloud CLI, esegui questo comando:

gcloud init

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

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Dataproc, Compute Engine, Cloud Storage, and BigQuery APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Installa Google Cloud CLI.

Se utilizzi un provider di identità (IdP) esterno, devi prima accedere a gcloud CLI con la tua identità federata.

Per inizializzare gcloud CLI, esegui questo comando:

gcloud init

1. Creazione di un bucket Cloud Storage nel progetto per contenere i dati utilizzati in questo tutorial.

Nella Google Cloud console, vai alla pagina Bucket in Cloud Storage.
Vai a Bucket
Fai clic su Crea.
Nella pagina Crea un bucket, inserisci le informazioni del bucket. Per passare al passaggio successivo, fai clic su Continua.
1. Nella sezione Inizia, procedi nel seguente modo:
  - Inserisci un nome univoco a livello globale che soddisfi i requisiti di denominazione dei bucket.
  - Per aggiungere un' etichetta del bucket, espandi la sezione Etichette (), fai clic su Aggiungi etichetta e specifica una key e un value per l'etichetta.
2. Nella sezione Scegli dove archiviare i tuoi dati, procedi nel seguente modo:
  1. Seleziona un tipo di località.
  2. Scegli una località in cui i dati del bucket vengono archiviati in modo permanente dal menu a discesa Tipo di località.
    - Se selezioni il tipo di località a due regioni, puoi anche scegliere di abilitare la replica turbo utilizzando la casella di controllo pertinente.
  3. Per configurare la replica tra bucket, seleziona Aggiungi una replica tra bucket mediante Storage Transfer Service e segui questi passaggi:
    Configurare la replica tra bucket
    
    Nel menu Bucket, seleziona un bucket.
    
    Nella sezione Impostazioni di replica , fai clic su Configura per configurare le impostazioni del job di replica.
    
    Viene visualizzato il riquadro Configura replica tra bucket.
    
    Per filtrare gli oggetti da replicare in base al prefisso del nome dell'oggetto, inserisci un prefisso da cui vuoi includere o escludere gli oggetti, quindi fai clic su Aggiungi un prefisso.
    
    Per impostare una classe di archiviazione per gli oggetti replicati, seleziona una classe di archiviazione dal menu Classe di archiviazione. Se salti questo passaggio, gli oggetti replicati utilizzeranno per impostazione predefinita la classe di archiviazione del bucket di destinazione.
    
    Fai clic su Fine.
3. Nella sezione Scegli come archiviare i tuoi dati, procedi nel seguente modo:
  1. Seleziona una classe di archiviazione predefinita per il bucket o Autoclass per la gestione automatica della classe di archiviazione dei dati del bucket.
  2. Per abilitare lo spazio dei nomi gerarchico, nella sezione Ottimizza l'archiviazione per i workload con uso intensivo dei dati, seleziona Abilita uno spazio dei nomi gerarchico in questo bucket.
    Nota: non puoi abilitare lo spazio dei nomi gerarchico nei bucket esistenti.
4. Nella sezione Scegli come controllare l'accesso agli oggetti, seleziona se il bucket applica o meno la prevenzione dell'accesso pubblico, e seleziona un metodo di controllo dell'accesso per gli oggetti del bucket.
  Nota: non puoi modificare l'impostazione Impedisci l'accesso pubblico se questa impostazione è applicata a un criterio dell'organizzazione.
5. Nella sezione Scegli come proteggere i dati degli oggetti, procedi nel seguente modo:
  - Seleziona una delle opzioni in Protezione dei dati che vuoi impostare per il bucket.
    - Per abilitare l'eliminazione temporanea, fai clic sulla casella di controllo Policy di eliminazione temporanea (per il recupero dati) e specifica il numero di giorni per cui vuoi conservare gli oggetti dopo l'eliminazione.
    - Per impostare il controllo delle versioni degli oggetti, fai clic sulla casella di controllo Controllo delle versioni degli oggetti (per il controllo delle versioni) e specifica il numero massimo di versioni per oggetto e il numero di giorni dopo i quali le versioni non correnti scadono.
    - Per abilitare la policy di conservazione su oggetti e bucket, fai clic sulla casella di controllo Conservazione (per la conformità) e poi procedi nel seguente modo:
      - Per abilitare il blocco della conservazione degli oggetti, fai clic sulla casella di controllo Abilita conservazione degli oggetti.
      - Per abilitare il blocco del bucket, fai clic sulla casella di controllo Imposta policy di conservazione del bucket e scegli un'unità di tempo e una durata per il periodo di conservazione.
  - Per scegliere come criptare i dati degli oggetti, espandi la la sezione Criptaggio dei dati () e seleziona un metodo di criptaggio dei dati.
Fai clic su Crea.

Creare un cluster Managed Service per Apache Spark

Crea un cluster Managed Service per Apache Spark utilizzando il flag optional-components (disponibile nella versione dell'immagine 2.1 e successive) per installare il componente facoltativo Trino sul cluster e il flag enable-component-gateway per abilitare Component Gateway in modo da poter accedere all'interfaccia utente web di Trino dalla Google Cloud console.

Imposta le variabili di ambiente:
- PROJECT: il tuo ID progetto
- BUCKET_NAME: il nome del bucket Cloud Storage che hai creato in Prima di iniziare
- REGION: regione in cui verrà creato il cluster utilizzato in questo tutorial, ad esempio "us-west1"
- WORKERS: 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 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

Preparare i dati

Esporta il bigquery-public-data chicago_taxi_trips set di dati in Cloud Storage come file CSV, quindi crea una tabella esterna Hive per fare riferimento ai dati.

Sulla macchina locale, esegui il comando seguente per importare i dati dei taxi da BigQuery come file CSV senza intestazioni nel bucket Cloud Storage che hai creato in 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 nel bucket Cloud Storage.

Crea la tabella esterna 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.
Salta questo passaggio per risparmiare tempo e utilizzo delle risorse. Se il cluster ha 3 o meno nodi, questa query può richiedere diversi minuti. Puoi saltare questo passaggio della query e verificare solo la creazione del file Hive Parquet finale, di seguito, perché questo 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;"
```

Crea un'altra tabella esterna Hive chicago_taxi_trips_parquet con le stesse colonne, ma con i dati archiviati in formato Parquet per migliorare il rendimento 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 nel la tabella 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;"

Esegui delle query

Puoi eseguire query localmente da Trino CLI o da un'applicazione.

Query di Trino CLI

Questa sezione mostra come eseguire query sul set di dati dei taxi Hive Parquet utilizzando Trino CLI.

Esegui il comando seguente sulla macchina locale per accedere 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 il Trino CLI, che si connette al server Trino in esecuzione sul nodo master node.
```
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 delle query sui dati Parquet rispetto ai dati CSV.

Query sui dati 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 dell'applicazione Java

Per eseguire query da un'applicazione Java tramite il driver Trino Java JDBC: 1. Scarica il driver Trino Java JDBC. 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 in /var/log/trino/ sui nodi master e worker del cluster.

UI web

Consulta Visualizzare e accedere agli URL di Component Gateway per aprire l'interfaccia utente web di Trino in esecuzione sul nodo master del cluster nel browser locale.

Monitoraggio

Trino espone le informazioni sul runtime del cluster tramite le tabelle di runtime. In una sessione Trino (dal prompt trino:default), esegui la query seguente per visualizzare i dati della tabella di runtime:

select * FROM system.runtime.nodes;

Libera spazio

Al termine del tutorial, puoi eliminare le risorse che hai creato in modo che non utilizzino più la quota generando addebiti. Le seguenti sezioni descrivono come eliminare o disattivare queste risorse.

Elimina il progetto

Il modo più semplice per eliminare la fatturazione è eliminare il progetto 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 descritte in questo documento, eliminerai anche tutto il lavoro che hai 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.

Nella Google Cloud console, vai alla pagina Gestisci risorse.
Vai a Gestisci risorse
Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
Nella finestra di dialogo, digita l'ID 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 che hai creato in Prima di iniziare, inclusi i file di dati archiviati nel bucket:
```
gcloud storage rm gs://${BUCKET_NAME} --recursive
```

Utilizzare Trino con Managed Service per Apache Spark Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Obiettivi

Costi

Prima di iniziare

Configurare la replica tra bucket

Creare un cluster Managed Service per Apache Spark

Preparare i dati

Esegui delle query

Query di Trino CLI

Query dell'applicazione Java

Logging e monitoraggio

Logging

UI web

Monitoraggio

Libera spazio

Elimina il progetto

Elimina il cluster

Elimina il bucket

Utilizzare Trino con Managed Service per Apache Spark