Componente opcional de Hudi de Dataproc

Puedes instalar componentes adicionales, como Hudi, cuando creas un clúster de Dataproc con la función de componentes opcionales. En esta página, se describe cómo instalar opcionalmente el componente Hudi en un clúster de Dataproc.

Cuando se instala en un clúster de Dataproc, el componente Apache Hudi instala las bibliotecas de Hudi y configura Spark y Hive en el clúster para que funcionen con Hudi.

Versiones de imágenes de Dataproc compatibles

Puedes instalar el componente de Hudi en clústeres de Dataproc creados con las siguientes versiones de imágenes de Dataproc:

Cuando creas un clúster de Dataproc con Hudi, las siguientes propiedades de Spark y Hive se configuran para que funcionen con Hudi.

Archivo de configuración Propiedad Valor predeterminado
/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

Instala el componente

Instala el componente de Hudi cuando crees un clúster de Dataproc.

En las páginas de versiones de imágenes de Dataproc, se indica la versión del componente de Hudi incluida en cada versión de imagen de Dataproc.

Console

  1. Habilita el componente.
    • En la Google Cloud consola, abre la página Crear un clúster de Dataproc. Se selecciona el panel Configura el clúster.
    • En la sección Componentes, sigue estos pasos:
      • En Componentes opcionales, selecciona el componente Hudi.

Comando de gcloud

Para crear un clúster de Dataproc que incluya el componente Hudi, usa el comando con la marca --optional-components.

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

Reemplaza lo siguiente:

  • CLUSTER_NAME: Obligatorio. Es el nombre del clúster nuevo.
  • REGION: Obligatorio. Es la región del clúster.
  • DATAPROC_IMAGE: Opcional Puedes usar esta marca opcional para especificar una versión de imagen de Dataproc no predeterminada (consulta Versión de imagen de Dataproc predeterminada).
  • PROPERTIES: Opcional Puedes usar esta marca opcional para establecer propiedades del componente de Hudi, que se especifican con el prefijo de archivo hudi: (por ejemplo, properties=hudi:hoodie.datasource.write.table.type=COPY_ON_WRITE).
    • Propiedad de la versión del componente de Hudi: De manera opcional, puedes especificar la propiedad dataproc:hudi.version. Nota: Dataproc establece la versión del componente de Hudi para que sea compatible con la versión de la imagen del clúster de Dataproc. Si configuras esta propiedad, es posible que falle la creación del clúster si la versión especificada no es compatible con la imagen del clúster.
    • Propiedades de Spark y Hive: Dataproc establece propiedades relacionadas con Hudi de Spark y Hive cuando se crea el clúster. No es necesario que los configures cuando crees el clúster o envíes trabajos.

API de REST

El componente de Hudi se puede instalar a través de la API de Dataproc con SoftwareConfig.Component como parte de una solicitud clusters.create.

Envía un trabajo para leer y escribir tablas de Hudi

Después de crear un clúster con el componente Hudi, puedes enviar trabajos de Spark y Hive que lean y escriban tablas de Hudi.

Ejemplo de gcloud CLI:

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

Ejemplo de trabajo de PySpark

El siguiente archivo de PySpark crea, lee y escribe una tabla de 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()

El siguiente comando de gcloud CLI envía el archivo de PySpark de muestra a Dataproc.

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

Usa la CLI de Hudi

La CLI de Hudi se encuentra en /usr/lib/hudi/cli/hudi-cli.sh en el nodo instancia principal del clúster de Dataproc. Puedes usar la CLI de Hudi para ver los esquemas, las confirmaciones y las estadísticas de las tablas de Hudi, y para realizar manualmente operaciones administrativas, como programar compactaciones (consulta Cómo usar hudi-cli).

Para iniciar la CLI de Hudi y conectarte a una tabla de Hudi, haz lo siguiente:

  1. Establece una conexión SSH al nodo principal.
  2. Ejecuta /usr/lib/hudi/cli/hudi-cli.sh. El símbolo del sistema cambia a hudi->.
  3. Ejecuta connect --path gs://my-bucket/my-hudi-table.
  4. Ejecuta comandos, como desc, que describe el esquema de la tabla, o commits show, que muestra el historial de confirmaciones.
  5. Para detener la sesión de la CLI, ejecuta exit.

¿Qué sigue?