Menulis dan menjalankan tugas Spark Scala di Managed Service for Apache Spark

Tutorial ini mengilustrasikan berbagai cara untuk membuat dan mengirimkan tugas Spark Scala ke cluster Managed Service untuk Apache Spark, termasuk cara:

  • menulis dan mengompilasi aplikasi Spark Scala "Hello World" di mesin lokal dari command line menggunakan the Scala REPL (Read-Evaluate-Print-Loop atau interpreter interaktif) atau the SBT alat build
  • mengemas class Scala yang dikompilasi ke dalam file jar dengan manifes
  • mengirimkan jar Scala ke tugas Spark yang berjalan di cluster Managed Service untuk Apache Spark
  • memeriksa output tugas Scala dari Google Cloud konsol

Tutorial ini juga menunjukkan cara:

  • menulis dan menjalankan tugas mapreduce Spark Scala "WordCount" langsung di cluster Managed Service untuk Apache Spark menggunakan spark-shell REPL

  • menjalankan contoh Apache Spark dan Hadoop yang telah diinstal sebelumnya di cluster

Menyiapkan Google Cloud project

Jika Anda belum melakukannya:

  1. Menyiapkan project
  2. Membuat bucket Cloud Storage
  3. Membuat cluster Managed Service untuk Apache Spark

Menulis dan mengompilasi kode Scala secara lokal

Sebagai latihan dasar untuk tutorial ini, tulis aplikasi Scala "Hello World" menggunakan Scala REPL atau antarmuka command line SBT secara lokal di mesin pengembangan Anda.

Menggunakan Scala

  1. Download biner Scala dari halaman Penginstalan Scala

  2. Buka paket file, tetapkan variabel lingkungan SCALA_HOME, dan tambahkan ke jalur Anda, seperti yang ditunjukkan dalam petunjuk Penginstalan Scala. Contoh: 

    export SCALA_HOME=/usr/local/share/scala
export PATH=$PATH:$SCALA_HOME/

  3. Luncurkan Scala REPL 

    $ scala
Welcome to Scala version ...
Type in expressions to have them evaluated.
Type :help for more information.
scala>

  4. Salin dan tempel kode HelloWorld ke Scala REPL 

    object HelloWorld {
  def main(args: Array[String]): Unit = {
    println("Hello, world!")
  }
}

  5. Simpan HelloWorld.scala dan keluar dari REPL 

    scala> :save HelloWorld.scala
scala> :q

  6. Kompilasi dengan scalac 

    $ scalac HelloWorld.scala

  7. Cantumkan file .class yang dikompilasi 

    $ ls HelloWorld*.class
HelloWorld$.class   HelloWorld.class

Menggunakan SBT

  1. Download SBT

  2. Buat project "HelloWorld", seperti yang ditunjukkan di bawah 

    $ mkdir hello
$ cd hello
$ echo \
'object HelloWorld {def main(args: Array[String]) = println("Hello, world!")}' > \
HelloWorld.scala

  3. Buat file konfigurasi sbt.build untuk menetapkan artifactName (nama file jar yang akan Anda buat, di bawah) ke "HelloWorld.jar" (lihat Mengubah artefak default) 

    echo \
'artifactName := { (sv: ScalaVersion, module: ModuleID, artifact: Artifact) =>
"HelloWorld.jar" }' > \
build.sbt

  4. Luncurkan SBT dan jalankan kode 

    $ sbt
[info] Set current project to hello ...
> run
... Compiling 1 Scala source to .../hello/target/scala-.../classes...
... Running HelloWorld
Hello, world!
[success] Total time: 3 s ...

  5. Kemasi kode ke dalam file jar dengan manifes yang menentukan titik entri class utama (HelloWorld), lalu keluar 

    > package
... Packaging .../hello/target/scala-.../HelloWorld.jar ...
... Done packaging.
[success] Total time: ...
> exit

Membuat jar

Buat file jar dengan SBT atau menggunakan perintah jar.

Membuat jar

dengan SBT

Perintah paket SBT membuat file jar (lihat Menggunakan SBT).

Membuat jar

secara manual

  1. Ubah direktori (cd) ke direktori yang berisi file HelloWorld*.class yang dikompilasi, lalu jalankan perintah berikut untuk mengemas file class ke dalam jar dengan manifes yang menentukan titik entri class utama (HelloWorld). 
    $ jar cvfe HelloWorld.jar HelloWorld HelloWorld*.class
added manifest
adding: HelloWorld$.class(in = 637) (out= 403)(deflated 36%)
adding: HelloWorld.class(in = 586) (out= 482)(deflated 17%)

Menyalin jar ke Cloud Storage

  1. Gunakan Google Cloud CLI untuk menyalin jar ke bucket Cloud Storage di project Anda
$ gcloud storage cp HelloWorld.jar gs://<bucket-name>/
Copying file://HelloWorld.jar [Content-Type=application/java-archive]...
Uploading   gs://bucket-name/HelloWorld.jar:         1.46 KiB/1.46 KiB

Mengirimkan jar ke tugas Managed Service untuk Apache Spark

  1. Gunakan Google Cloud konsol untuk mengirimkan file jar ke tugas Managed Service untuk Apache Spark. Isi kolom di halaman Kirim tugas sebagai berikut:

    • Cluster: Pilih nama cluster Anda dari daftar cluster
    • Jenis pekerjaan: Spark

    • Class atau jar utama: Tentukan jalur URI Cloud Storage ke jar HelloWorld Anda (gs://your-bucket-name/HelloWorld.jar).

      Jika jar Anda tidak menyertakan manifes yang menentukan titik entri ke kode Anda ("Main-Class: HelloWorld"), kolom "Class atau jar utama" harus menyatakan nama Class Utama Anda ("HelloWorld"), dan Anda harus mengisi kolom "File jar" dengan jalur URI ke file jar Anda (gs://your-bucket-name/HelloWorld.jar).

  2. Klik Kirim untuk memulai tugas. Setelah dimulai, tugas akan ditambahkan ke daftar Tugas.

  3. Klik ID pekerjaan untuk membuka halaman Tugas, tempat Anda dapat melihat output driver pekerjaan.

Menulis dan menjalankan kode Spark Scala menggunakan spark-shell REPL cluster

Anda mungkin ingin mengembangkan aplikasi Scala langsung di cluster Managed Service untuk Apache Spark. Hadoop dan Spark telah diinstal sebelumnya di cluster Managed Service untuk Apache Spark, dan dikonfigurasi dengan konektor Cloud Storage, yang memungkinkan kode Anda membaca dan menulis data langsung dari dan ke Cloud Storage.

Contoh ini menunjukkan cara menggunakan SSH untuk terhubung ke node master cluster Managed Service untuk Apache Spark, lalu menggunakan spark-shell REPL untuk membuat dan menjalankan aplikasi mapreduce wordcount Scala.

  1. Gunakan SSH untuk terhubung ke node master cluster

    1. Buka halaman Clusters di Google Cloud konsol, lalu klik nama cluster Anda.

    2. Di halaman detail cluster, pilih tab VM Instances, lalu klik pilihan SSH yang muncul di sebelah kanan baris nama cluster Anda.

      Jendela browser akan terbuka di direktori beranda Anda di node master

  2. Luncurkan spark-shell 

    $ spark-shell
...
Using Scala version ...
Type in expressions to have them evaluated.
Type :help for more information.
...
Spark context available as sc.
...
SQL context available as sqlContext.
scala>

  3. Buat RDD (Resilient Distributed Dataset) dari cuplikan teks Shakespeare yang berada di Cloud Storage publik 

    scala> val text_file = sc.textFile("gs://pub/shakespeare/rose.txt")

  4. Jalankan mapreduce wordcount pada teks, lalu tampilkan hasil wordcounts 

    scala> val wordCounts = text_file.flatMap(line => line.split(" ")).map(word =>
(word, 1)).reduceByKey((a, b) => a + b)
scala> wordCounts.collect
... Array((call,1), (What's,1), (sweet.,1), (we,1), (as,1), (name?,1), (any,1), (other,1),
(rose,1), (smell,1), (name,1), (a,2), (would,1), (in,1), (which,1), (That,1), (By,1))

  5. Simpan jumlah di <bucket-name>/wordcounts-out di Cloud Storage, lalu keluar dari scala-shell 

    scala> wordCounts.saveAsTextFile("gs://<bucket-name>/wordcounts-out/")
scala> exit

  6. Gunakan gcloud CLI untuk mencantumkan file output dan menampilkan konten file 

    $ gcloud storage ls gs://bucket-name/wordcounts-out/
gs://spark-scala-demo-bucket/wordcounts-out/
gs://spark-scala-demo-bucket/wordcounts-out/_SUCCESS
gs://spark-scala-demo-bucket/wordcounts-out/part-00000
gs://spark-scala-demo-bucket/wordcounts-out/part-00001

  7. Periksa konten gs://<bucket-name>/wordcounts-out/part-00000 

    $ gcloud storage cat gs://bucket-name/wordcounts-out/part-00000
(call,1)
(What's,1)
(sweet.,1)
(we,1)
(as,1)
(name?,1)
(any,1)
(other,1)

Menjalankan kode Contoh yang Telah Diinstal Sebelumnya

Node master cluster berisi file jar yang dapat dijalankan dengan contoh Apache Hadoop dan Spark standar.

Jenis Jar Master node /usr/lib/ location Sumber GitHub Dokumen Apache
Hadoop hadoop-mapreduce/hadoop-mapreduce-examples.jar link sumber Tutorial MapReduce
Spark spark/lib/spark-examples.jar link sumber Contoh Spark

Mengirimkan contoh ke cluster Anda dari command line

Contoh dapat dikirimkan dari mesin pengembangan lokal Anda menggunakan alat command line Google Cloud CLI gcloud (lihat Menggunakan Google Cloud konsol untuk mengirimkan tugas dari Google Cloud konsol).

Contoh Hadoop WordCount

gcloud dataproc jobs submit hadoop --cluster=cluster-name \
    --region=region \
    --jars=file:///usr/lib/hadoop-mapreduce/hadoop-mapreduce-examples.jar \
    --class=org.apache.hadoop.examples.WordCount \
    -- URI of input file URI of output file

Contoh Spark WordCount

gcloud dataproc jobs submit spark --cluster=cluster-name \
    --region=region \
    --jars=file:///usr/lib/spark/examples/jars/spark-examples.jar \
    --class=org.apache.spark.examples.JavaWordCount \
    -- URI of input file

Mematikan cluster

Untuk menghindari biaya berkelanjutan, matikan cluster Anda dan hapus resource Cloud Storage (bucket dan file Cloud Storage) yang digunakan untuk tutorial ini.

Untuk mematikan cluster: 

gcloud dataproc clusters delete cluster-name \
    --region=region

Untuk menghapus file jar Cloud Storage: 

gcloud storage rm gs://bucket-name/HelloWorld.jar

Anda dapat menghapus bucket dan semua folder serta filenya dengan perintah berikut: 

gcloud storage rm gs://bucket-name/ --recursive

Langkah berikutnya