Esta página se ha traducido con Cloud Translation API.

Usar Trino con Dataproc

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

Instalar el servicio Trino en un clúster de Dataproc
Consultar datos públicos desde un cliente de Trino instalado en tu máquina local que se comunica con un servicio de Trino en tu clúster
Ejecuta consultas desde una aplicación Java que se comunique con el servicio Trino de tu clúster a través del controlador JDBC de Java de Trino.

Crear una agrupación 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 Trino en el clúster y la marca enable-component-gateway para habilitar la pasarela de componentes, que te permite acceder a la interfaz de usuario web de Trino desde la Google Cloud consola.

Define variables de entorno:
- PROJECT: tu ID de proyecto
- BUCKET_NAME: el nombre del segmento de Cloud Storage que has creado en la sección Antes de empezar
- REGION: region donde se creará el clúster que se usa en este tutorial. Por ejemplo, "us-west1".
- TRABAJADORES: se recomienda que haya entre 3 y 5 trabajadores para este tutorial.
```
export PROJECT=project-id
export WORKERS=number
export REGION=region
export BUCKET_NAME=bucket-name
```

Ejecuta la CLI de Google Cloud 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

#prepare_data

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

En tu máquina local, ejecuta el siguiente comando para importar los datos de los viajes en taxi de BigQuery como archivos CSV sin encabezados al segmento de Cloud Storage que creaste en la sección Antes de empezar.

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 tablas externas de Hive respaldadas por los archivos CSV y Parquet de tu segmento de Cloud Storage.

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/';"

Verifica la creación de la tabla externa de Hive.
Sáltate este paso para ahorrar tiempo y recursos. Si tu clúster tiene 3 nodos o menos, esta consulta puede tardar varios minutos. Puedes saltarte este paso de la consulta y verificar únicamente la creación del archivo Parquet de Hive final, que se indica más abajo, ya que este paso de la consulta es significativamente más rápido.
```
gcloud dataproc jobs submit hive \
    --cluster trino-cluster \
    --region=${REGION} \
    --execute "SELECT COUNT(*) FROM chicago_taxi_trips_csv;"
```

Crea otra tabla externa de Hive chicago_taxi_trips_parquet con las mismas columnas, pero con los 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/';"

Carga los datos de la tabla CSV de Hive en la tabla 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;"

Comprueba 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;"

Cómo ejecutar 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 Hive Parquet mediante la CLI de Trino.

Ejecuta el siguiente comando en tu máquina local para conectarte por SSH al nodo maestro de tu clúster. El terminal local dejará de responder durante la ejecución del comando.
```
gcloud compute ssh trino-cluster-m
```
En la ventana de terminal SSH del nodo maestro de tu clúster, ejecuta la CLI de Trino, que se conecta al servidor de Trino que se ejecuta en el nodo maestro.
```
trino --catalog hive --schema default
```

En la petición de trino:default, comprueba que Trino pueda encontrar las tablas de Hive.

show tables;

Table
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
 chicago_taxi_trips_csv
 chicago_taxi_trips_parquet
(2 rows)

Ejecuta consultas desde la petición trino:default y compara el rendimiento de las consultas de datos Parquet con el de las consultas de datos 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 Java a través del controlador JDBC de Java de Trino, sigue estos pasos: 1. Descarga el controlador JDBC de Java de Trino. 1. Añade una dependencia de trino-jdbc en Maven pom.xml.

<dependency>
  <groupId>io.trino</groupId>
  <artifactId>trino-jdbc</artifactId>
  <version>376</version>
</dependency>

Código de ejemplo de 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();
    }
  }
}

Almacenamiento de registros y monitorización

Almacenamiento de registros

Los registros de Trino se encuentran en /var/log/trino/ en los nodos maestros y de trabajador del clúster.

UI web

Consulta Ver y acceder a las URLs de Component Gateway para abrir la interfaz de usuario web de Trino que se ejecuta en el nodo maestro del clúster en tu navegador local.

Supervisión

Trino expone información sobre el tiempo de ejecución del clúster a través de tablas de tiempo de ejecución. En una sesión de Trino (desde la petición trino:default), ejecuta la siguiente consulta para ver los datos de la tabla de tiempo de ejecución:

select * FROM system.runtime.nodes;