Bigtable Spark-Connector verwenden
Mit dem Spark-Connector von Bigtable können Sie Daten in Bigtable lesen und schreiben. Sie können Daten aus Ihrer Spark-Anwendung mit Spark SQL und DataFrames lesen. Die folgenden Bigtable-Vorgänge werden mit dem Bigtable Spark-Connector unterstützt:
- Daten schreiben
- Daten lesen
- Tabelle erstellen
In diesem Dokument erfahren Sie, wie Sie eine Spark SQL-DataFrames-Tabelle in eine Bigtable-Tabelle konvertieren und anschließend eine JAR-Datei kompilieren und erstellen, um einen Spark-Job zu senden.
Spark- und Scala-Supportstatus
Der Bigtable Spark-Connector unterstützt nur die Scala-Version 2.12 und die folgenden Spark-Versionen:
Der Bigtable Spark-Connector unterstützt die folgenden Dataproc-Versionen:
- Cluster der Image-Version 1.5
- Cluster der Image-Version 2.0
- Cluster der Image-Version 2.1
- Cluster der Image-Version 2.2
- Dataproc Serverless-Laufzeitversion 1.0
- Dataproc Serverless-Laufzeitversion 2.0
Kosten berechnen
Wenn Sie eine der folgenden kostenpflichtigen Komponenten von Google Cloud verwenden, werden Ihnen die genutzten Ressourcen in Rechnung gestellt:
- Bigtable (Die Nutzung des Bigtable-Emulators wird Ihnen nicht in Rechnung gestellt)
- Dataproc
- Cloud Storage
Die Dataproc-Preise gelten für die Nutzung von Dataproc auf Compute Engine-Clustern. Die Preise für Dataproc Serverless gelten für Arbeitslasten und Sitzungen, die mit Dataproc Serverless for Spark ausgeführt werden.
Mit dem Preisrechner können Sie eine Kostenschätzung für Ihre voraussichtliche Nutzung vornehmen.
Hinweise
Führen Sie die folgenden Voraussetzungen aus, bevor Sie den Bigtable-Spark-Connector verwenden.
Erforderliche Rollen
Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für Ihr Projekt zu gewähren, damit Sie die für die Verwendung des Bigtable-Spark-Connectors erforderlichen Berechtigungen erhalten:
-
Bigtable-Administrator (
roles/bigtable.admin
)(optional): Hiermit können Sie Daten lesen oder schreiben und eine neue Tabelle erstellen. -
Bigtable-Nutzer (
roles/bigtable.user
): Hiermit können Sie Daten lesen oder schreiben, aber keine neue Tabelle erstellen.
Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff verwalten.
Möglicherweise können Sie die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.
Wenn Sie Dataproc oder Cloud Storage verwenden, sind möglicherweise zusätzliche Berechtigungen erforderlich. Weitere Informationen finden Sie unter Dataproc-Berechtigungen und Cloud Storage-Berechtigungen.
Spark einrichten
Neben dem Erstellen einer Bigtable-Instanz müssen Sie auch Ihre Spark-Instanz einrichten. Sie können dies lokal tun oder eine der folgenden Optionen auswählen, um Spark mit Dataproc zu verwenden:
- Dataproc-Cluster
- Dataproc Serverless
Weitere Informationen zur Auswahl zwischen einem Dataproc-Cluster und einer serverlosen Option finden Sie in der Dokumentation Dataproc Serverless for Spark im Vergleich zu Dataproc auf Compute Engine .
Connector-JAR-Datei herunterladen
Den Quellcode des Bigtable-Spark-Connectors sowie Beispiele finden Sie im GitHub-Repository des Bigtable-Spark-Connectors.
Je nach Spark-Einrichtung können Sie so auf die JAR-Datei zugreifen:
Wenn Sie PySpark lokal ausführen, sollten Sie die JAR-Datei des Connectors vom Cloud Storage-Speicherort
gs://spark-lib/bigtable/spark-bigtable_SCALA_VERSION-CONNECTOR_VERSION.jar
herunterladen.Ersetzen Sie
SCALA_VERSION
durch die Scala-Version, legen Sie2.12
als einzige unterstützte Version fest undCONNECTOR_VERSION
durch die Connector-Version, die Sie verwenden möchten.Verwenden Sie für Dataproc-Cluster oder serverlose Optionen die neueste JAR-Datei als Artefakt, das Ihren Scala- oder Java Spark-Anwendungen hinzugefügt werden kann. Weitere Informationen zur Verwendung der JAR-Datei als Artefakt finden Sie unter Abhängigkeiten verwalten.
Wenn Sie den PySpark-Job an Dataproc senden, verwenden Sie das Flag
gcloud dataproc jobs submit pyspark --jars
, um den URI auf den Speicherort der JAR-Datei in Cloud Storage festzulegen, z. B.gs://spark-lib/bigtable/spark-bigtable_SCALA_VERSION-CONNECTOR_VERSION.jar
.
Bigtable-Konfiguration zur Spark-Anwendung hinzufügen
Fügen Sie in Ihrer Spark-Anwendung die Spark-Optionen hinzu, die Ihnen die Interaktion mit Bigtable ermöglichen.
Unterstützte Spark-Optionen
Verwenden Sie die Spark-Optionen, die im com.google.cloud.spark.bigtable
-Paket verfügbar sind.
Optionsname | Erforderlich | Standardwert | Bedeutung |
---|---|---|---|
spark.bigtable.project.id |
Yes | – | Legen Sie die Bigtable-Projekt-ID fest. |
spark.bigtable.instance.id |
Yes | – | Legen Sie die Bigtable-Instanz-ID fest. |
catalog |
Yes | – | Legen Sie das JSON-Format fest, das das Konvertierungsformat zwischen dem SQL-ähnlichen Schema des DataFrame und dem Schema der Bigtable-Tabelle angibt. Weitere Informationen finden Sie unter Tabellenmetadaten im JSON-Format erstellen. |
spark.bigtable.app_profile.id |
Nein | default |
Legen Sie die Bigtable-Anwendungsprofil-ID fest. |
spark.bigtable.write.timestamp.milliseconds |
Nein | Aktuelle Systemzeit | Legen Sie den Zeitstempel in Millisekunden fest, der beim Schreiben eines DataFrame in Bigtable verwendet werden soll. Da alle Zeilen im DataFrame denselben Zeitstempel haben, bleiben Zeilen mit derselben Zeilenschlüsselspalte im DataFrame als einzelne Version in Bigtable erhalten, da sie denselben Zeitstempel haben. |
spark.bigtable.create.new.table |
Nein | false |
Legen Sie true fest, um eine neue Tabelle zu erstellen, bevor in Bigtable geschrieben wird. |
spark.bigtable.read.timerange.start.milliseconds oder spark.bigtable.read.timerange.end.milliseconds |
Nein | – | Legen Sie Zeitstempel (in Millisekunden seit der Epoche) fest, um Zellen mit einem bestimmten Start- bzw. Enddatum zu filtern. Beide oder keiner dieser Parameter muss angegeben werden. |
spark.bigtable.push.down.row.key.filters |
Nein | true |
Legen Sie true fest, um das serverseitige Filtern von Zeilenschlüsseln zu ermöglichen. Das Filtern nach zusammengesetzten Zeilenschlüsseln wird clientseitig implementiert.Weitere Informationen finden Sie unter Bestimmte DataFrame-Zeile mit einem Filter lesen. |
spark.bigtable.read.rows.attempt.timeout.milliseconds |
Nein | 30 m | Legen Sie die Dauer des Zeitlimits für einen Lesezeilenversuch fest, der einer DataFrame-Partition im Bigtable-Client für Java entspricht. |
spark.bigtable.read.rows.total.timeout.milliseconds |
Nein | 12 Std. | Legen Sie das Zeitlimit für Gesamtzahl für einen Lesezeilenversuch fest, der einer DataFrame-Partition im Bigtable-Client für Java entspricht. |
spark.bigtable.mutate.rows.attempt.timeout.milliseconds |
Nein | 1m | Legen Sie die Dauer des Zeitlimits für einen Versuch fest, den Zeilen zu ändern, die einer DataFrame-Partition im Bigtable-Client für Java entsprechen. |
spark.bigtable.mutate.rows.total.timeout.milliseconds |
Nein | 10 Min. | Legen Sie die Dauer der Gesamtzeitüberschreitung für einen Versuch fest, mit dem sich mutate-Zeilen ändern lassen, die einer DataFrame-Partition im Bigtable-Client für Java entsprechen. |
spark.bigtable.batch.mutate.size |
Nein | 100 |
Legen Sie als Wert die Anzahl der Mutationen in jedem Batch fest. Der maximale Wert, den Sie festlegen können, ist 100000 . |
spark.bigtable.enable.batch_mutate.flow_control |
Nein | false |
Legen Sie true fest, um die Ablaufsteuerung für Batchmutationen zu aktivieren. |
Tabellenmetadaten im JSON-Format erstellen
Das Spark SQL DataFrames-Tabellenformat muss mithilfe eines Strings im JSON-Format in eine Bigtable-Tabelle konvertiert werden. Dieses String-JSON-Format macht das Datenformat mit Bigtable kompatibel. Sie können das JSON-Format mit der Option .option("catalog", catalog_json_string)
in Ihrem Anwendungscode übergeben.
Sehen Sie sich als Beispiel die folgende DataFrame-Tabelle und die entsprechende Bigtable-Tabelle an.
In diesem Beispiel werden die Spalten name
und birthYear
im DataFrame in der Spaltenfamilie info
zusammengefasst und in name
bzw. birth_year
umbenannt. Analog wird die Spalte address
in der Spaltenfamilie location
mit demselben Spaltennamen gespeichert. Die Spalte id
aus dem DataFrame wird in den Bigtable-Zeilenschlüssel konvertiert.
Die Zeilenschlüssel haben in Bigtable keinen eigenen Spaltennamen. In diesem Beispiel wird id_rowkey
nur verwendet, um dem Connector mitzuteilen, dass dies die Zeilenschlüsselspalte ist. Sie können einen beliebigen Namen für die Zeilenschlüsselspalte verwenden. Achten Sie darauf, dass Sie denselben Namen verwenden, wenn Sie das Feld "rowkey":"column_name"
im JSON-Format deklarieren.
DataFrame | Bigtable-Tabelle = t1 | |||||||
Spalten | Zeilenschlüssel | Spaltenfamilien | ||||||
Info | Standort | |||||||
Spalten | Spalten | |||||||
id | name | birthYear | Adresse | id_rowkey | name | birth_year | Adresse |
Das JSON-Format für den Katalog sieht so aus:
"""
{
"table": {"name": "t1"},
"rowkey": "id_rowkey",
"columns": {
"id": {"cf": "rowkey", "col": "id_rowkey", "type": "string"},
"name": {"cf": "info", "col": "name", "type": "string"},
"birthYear": {"cf": "info", "col": "birth_year", "type": "long"},
"address": {"cf": "location", "col": "address", "type": "string"}
}
}
"""
Im JSON-Format werden folgende Schlüssel und Werte verwendet:
Katalogschlüssel | Katalogwert | JSON-Format |
---|---|---|
table | Name der Bigtable-Tabelle. | "table":{"name":"t1"} Falls die Tabelle nicht vorhanden ist, verwenden Sie .option("spark.bigtable.create.new.table", "true") , um sie zu erstellen. |
Rowkey | Name der Spalte, die als Bigtable-Zeilenschlüssel verwendet wird. Achten Sie darauf, dass der Spaltenname der DataFrame-Spalte als Zeilenschlüssel verwendet wird, z. B. id_rowkey . Zusammengesetzte Schlüssel werden auch als Zeilenschlüssel akzeptiert. Beispiel: "rowkey":"name:address" Dieser Ansatz kann zu Zeilenschlüsseln führen, die für alle Leseanfragen einen vollständigen Tabellenscan erfordern. |
"rowkey":"id_rowkey" , |
Spalten | Zuordnung jeder DataFrame-Spalte in die entsprechende Bigtable-Spaltenfamilie ("cf" ) und den entsprechenden Spaltennamen ("col" ). Der Spaltenname kann sich vom Spaltennamen in der DataFrame-Tabelle unterscheiden. Unterstützte Datentypen sind string , long und binary . |
"columns": {"id": {"cf": "rowkey", "col": "id_rowkey", "type": "string"}, "name": {"cf": "info", "col": "name", "type": "string"}, "birthYear": {"cf":"info", "col": "birth_year", "type": "long"}, "address": {"cf": "location", "col": "address", "type":"string"}}" In diesem Beispiel ist id_rowkey der Zeilenschlüssel und info und location die Spaltenfamilien. |
Unterstützte Datentypen
Der Connector unterstützt die Verwendung der Typen string
, long
und binary
(Bytearray) im Katalog. Bis andere Typen wie int
und float
unterstützt werden, können Sie diese Datentypen manuell in Byte-Arrays (BinaryType
von Spark SQL) konvertieren, bevor Sie sie mit dem Connector in Bigtable schreiben.
Darüber hinaus können Sie Avro zum Serialisieren komplexer Typen wie ArrayType
verwenden. Weitere Informationen finden Sie unter Komplexe Datentypen mit Apache Avro rendern.
In Bigtable schreiben
Verwenden Sie die Funktion .write()
und die unterstützten Optionen, um Ihre Daten in Bigtable zu schreiben.
Java
Der folgende Code aus dem GitHub-Repository verwendet Java und Maven, um in Bigtable zu schreiben.
String catalog = "{" +
"\"table\":{\"name\":\"" + tableName + "\"," +
"\"tableCoder\":\"PrimitiveType\"}," +
"\"rowkey\":\"wordCol\"," +
"\"columns\":{" +
"\"word\":{\"cf\":\"rowkey\", \"col\":\"wordCol\", \"type\":\"string\"}," +
"\"count\":{\"cf\":\"example_family\", \"col\":\"countCol\", \"type\":\"long\"}" +
"}}".replaceAll("\\s+", "");
…
private static void writeDataframeToBigtable(Dataset<Row> dataframe, String catalog,
String createNewTable) {
dataframe
.write()
.format("bigtable")
.option("catalog", catalog)
.option("spark.bigtable.project.id", projectId)
.option("spark.bigtable.instance.id", instanceId)
.option("spark.bigtable.create.new.table", createNewTable)
.save();
}
Python
Der folgende Code aus dem GitHub-Repository verwendet Python, um in Bigtable zu schreiben.
catalog = ''.join(("""{
"table":{"name":" """ + bigtable_table_name + """
", "tableCoder":"PrimitiveType"},
"rowkey":"wordCol",
"columns":{
"word":{"cf":"rowkey", "col":"wordCol", "type":"string"},
"count":{"cf":"example_family", "col":"countCol", "type":"long"}
}
}""").split())
…
input_data = spark.createDataFrame(data)
print('Created the DataFrame:')
input_data.show()
input_data.write \
.format('bigtable') \
.options(catalog=catalog) \
.option('spark.bigtable.project.id', bigtable_project_id) \
.option('spark.bigtable.instance.id', bigtable_instance_id) \
.option('spark.bigtable.create.new.table', create_new_table) \
.save()
print('DataFrame was written to Bigtable.')
…
Aus Bigtable lesen
Verwenden Sie die Funktion .read()
, um zu prüfen, ob die Tabelle erfolgreich in Bigtable importiert wurde.
Java
…
private static Dataset<Row> readDataframeFromBigtable(String catalog) {
Dataset<Row> dataframe = spark
.read()
.format("bigtable")
.option("catalog", catalog)
.option("spark.bigtable.project.id", projectId)
.option("spark.bigtable.instance.id", instanceId)
.load();
return dataframe;
}
Python
…
records = spark.read \
.format('bigtable') \
.option('spark.bigtable.project.id', bigtable_project_id) \
.option('spark.bigtable.instance.id', bigtable_instance_id) \
.options(catalog=catalog) \
.load()
print('Reading the DataFrame from Bigtable:')
records.show()
Projekt kompilieren
Generieren Sie die JAR-Datei, mit der ein Job in einem Dataproc-Cluster, in Dataproc Serverless oder in einer lokalen Spark-Instanz ausgeführt wird. Sie können die JAR-Datei lokal kompilieren und dann zum Senden eines Jobs verwenden. Der Pfad zur kompilierten JAR-Datei wird beim Senden eines Jobs als Umgebungsvariable PATH_TO_COMPILED_JAR
festgelegt.
Dieser Schritt gilt nicht für PySpark-Anwendungen.
Abhängigkeiten verwalten
Der Bigtable Spark-Connector unterstützt die folgenden Tools zur Abhängigkeitsverwaltung:
Kompilieren Sie die JAR-Datei.
Maven
Fügen Sie der Datei pom.xml die Abhängigkeit
spark-bigtable
hinzu.<dependencies> <dependency> <groupId>com.google.cloud.spark.bigtable</groupId> <artifactId>spark-bigtable_SCALA_VERSION</artifactId> <version>0.1.0</version> </dependency> </dependencies>
Fügen Sie das Shade-Plug-in von Maven in die Datei
pom.xml
ein, um eine Uber-JAR-Datei zu erstellen:<plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-shade-plugin</artifactId> <version>3.2.4</version> <executions> <execution> <phase>package</phase> <goals> <goal>shade</goal> </goals> </execution> </executions> </plugin> </plugins>
Führen Sie den Befehl
mvn clean install
aus, um eine JAR-Datei zu generieren.
Sbt
Fügen Sie der Datei
build.sbt
die Abhängigkeitspark-bigtable
hinzu:libraryDependencies += "com.google.cloud.spark.bigtable" % "spark-bigtable_SCALA_VERSION" % "0.1.0{""}}"
Füge das
sbt-assembly
-Plug-in in die Dateiproject/plugins.sbt
oderproject/assembly.sbt
ein, um eine Uber-JAR-Datei zu erstellen.addSbtPlugin("com.eed3si9n" % "sbt-assembly" % "2.1.1")
Führen Sie den Befehl
sbt clean assembly
aus, um die JAR-Datei zu generieren.
Gradle
Fügen Sie der Datei
build.gradle
die Abhängigkeitspark-bigtable
hinzu.dependencies { implementation group: 'com.google.cloud.bigtable', name: 'spark-bigtable_SCALA_VERSION', version: '0.1.0' }
Fügen Sie das Shadow-Plug-in in Ihre
build.gradle
-Datei ein, um eine Uber-JAR-Datei zu erstellen:plugins { id 'com.github.johnrengelman.shadow' version '8.1.1' id 'java' }
Weitere Informationen zur Konfiguration und JAR-Kompilierung finden Sie in der Dokumentation zum Shadow-Plug-in.
Job senden
Senden Sie einen Spark-Job mit Dataproc, Dataproc Serverless oder einer lokalen Spark-Instanz, um Ihre Anwendung zu starten.
Laufzeitumgebung festlegen
Legen Sie die folgenden Umgebungsvariablen fest:
#Google Cloud
export BIGTABLE_SPARK_PROJECT_ID=PROJECT_ID
export BIGTABLE_SPARK_INSTANCE_ID=INSTANCE_ID
export BIGTABLE_SPARK_TABLE_NAME=TABLE_NAME
export BIGTABLE_SPARK_DATAPROC_CLUSTER=DATAPROC_CLUSTER
export BIGTABLE_SPARK_DATAPROC_REGION=DATAPROC_REGION
export BIGTABLE_SPARK_DATAPROC_ZONE=DATAPROC_ZONE
#Dataproc Serverless
export BIGTABLE_SPARK_SUBNET=SUBNET
export BIGTABLE_SPARK_GCS_BUCKET_NAME=GCS_BUCKET_NAME
#Scala/Java
export PATH_TO_COMPILED_JAR=PATH_TO_COMPILED_JAR
#PySpark
export GCS_PATH_TO_CONNECTOR_JAR=GCS_PATH_TO_CONNECTOR_JAR
export PATH_TO_PYTHON_FILE=PATH_TO_PYTHON_FILE
export LOCAL_PATH_TO_CONNECTOR_JAR=LOCAL_PATH_TO_CONNECTOR_JAR
Ersetzen Sie Folgendes:
- PROJECT_ID: Die permanente Kennzeichnung des Bigtable-Projekts.
- INSTANCE_ID: Die permanente Kennzeichnung der Bigtable-Instanz.
- TABLE_NAME: Die permanente Kennzeichnung der Tabelle.
- DATAPROC_CLUSTER: Die permanente Kennzeichnung des Dataproc-Clusters.
- DATAPROC_REGION: Die Dataproc-Region, die einen der Cluster in Ihrer Dataproc-Instanz enthält, z. B.
northamerica-northeast2
. - DATAPROC_ZONE: Die Zone, in der der Dataproc-Cluster ausgeführt wird.
- SUBNET: Der vollständige Ressourcenpfad des Subnetzes.
- GCS_BUCKET_NAME: Der Cloud Storage-Bucket zum Hochladen von Spark-Arbeitslastabhängigkeiten.
- PATH_TO_COMPILED_JAR: Der vollständige oder relative Pfad zur kompilierten JAR-Datei, z. B.
/path/to/project/root/target/<compiled_JAR_name>
für Maven. - GCS_PATH_TO_CONNECTOR_JAR: Der Cloud Storage-Bucket
gs://spark-lib/bigtable
, in dem sich die Dateispark-bigtable_SCALA_VERSION_CONNECTOR_VERSION.jar
befindet. - PATH_TO_PYTHON_FILE: Bei PySpark-Anwendungen der Pfad zur Python-Datei, die zum Schreiben von Daten in Bigtable verwendet wird und zum Lesen von Daten aus Bigtable verwendet wird.
- LOCAL_PATH_TO_CONNECTOR_JAR: Pfad bei PySpark-Anwendungen zur heruntergeladenen JAR-Datei des Bigtable-Spark-Connectors.
Spark-Job senden
Führen Sie für Dataproc-Instanzen oder Ihr lokales Spark-Setup einen Spark-Job aus, um Daten in Bigtable hochzuladen.
Dataproc-Cluster
Verwenden Sie die kompilierte JAR-Datei und erstellen Sie einen Dataproc-Clusterjob, der Daten aus Bigtable liest und schreibt.
Erstellen Sie einen Dataproc-Cluster. Das folgende Beispiel zeigt einen Beispielbefehl zum Erstellen eines Dataproc v2.0-Clusters mit Debian 10, zwei Worker-Knoten und Standardkonfigurationen.
gcloud dataproc clusters create \ $BIGTABLE_SPARK_DATAPROC_CLUSTER --region $BIGTABLE_SPARK_DATAPROC_REGION \ --zone $BIGTABLE_SPARK_DATAPROC_ZONE \ --master-machine-type n2-standard-4 --master-boot-disk-size 500 \ --num-workers 2 --worker-machine-type n2-standard-4 --worker-boot-disk-size 500 \ --image-version 2.0-debian10 --project $BIGTABLE_SPARK_PROJECT_ID
Senden Sie einen Job.
Scala/Java
Das folgende Beispiel zeigt die Klasse
spark.bigtable.example.WordCount
mit der Logik zum Erstellen einer Testtabelle in DataFrame, zum Schreiben der Tabelle in Bigtable und zum Zählen der Wörter in der Tabelle.gcloud dataproc jobs submit spark \ --cluster=$BIGTABLE_SPARK_DATAPROC_CLUSTER \ --region=$BIGTABLE_SPARK_DATAPROC_REGION \ --class=spark.bigtable.example.WordCount \ --jar=$PATH_TO_COMPILED_JAR \ -- \ $BIGTABLE_SPARK_PROJECT_ID \ $BIGTABLE_SPARK_INSTANCE_ID \ $BIGTABLE_SPARK_TABLE_NAME \
PySpark
gcloud dataproc jobs submit pyspark \ --cluster=$BIGTABLE_SPARK_DATAPROC_CLUSTER \ --region=$BIGTABLE_SPARK_DATAPROC_REGION \ --jars=$GCS_PATH_TO_CONNECTOR_JAR \ --properties='spark.jars.packages=org.slf4j:slf4j-reload4j:1.7.36' \ $PATH_TO_PYTHON_FILE \ -- \ --bigtableProjectId=$BIGTABLE_SPARK_PROJECT_ID \ --bigtableInstanceId=$BIGTABLE_SPARK_INSTANCE_ID \ --bigtableTableName=$BIGTABLE_SPARK_TABLE_NAME \
Dataproc Serverless
Verwenden Sie die kompilierte JAR-Datei und erstellen Sie einen Dataproc-Job, der mit einer Dataproc Serverless-Instanz Daten aus und in Bigtable liest und schreibt.
Scala/Java
gcloud dataproc batches submit spark \
--region=$BIGTABLE_SPARK_DATAPROC_REGION \
--subnet=$BIGTABLE_SPARK_SUBNET --version=1.1 \
--deps-bucket=gs://$BIGTABLE_SPARK_GCS_BUCKET_NAME --jar=$PATH_TO_COMPILED_JAR \
-- \
$BIGTABLE_SPARK_PROJECT_ID \
$BIGTABLE_SPARK_INSTANCE_ID \
$BIGTABLE_SPARK_TABLE_NAME
PySpark
gcloud dataproc batches submit pyspark $PATH_TO_PYTHON_FILE \
--region=$BIGTABLE_SPARK_DATAPROC_REGION \
--subnet=$BIGTABLE_SPARK_SUBNET --version=1.1 \
--deps-bucket=gs://$BIGTABLE_SPARK_GCS_BUCKET_NAME \
--jars=$GCS_PATH_TO_CONNECTOR_JAR \
--properties='spark.jars.packages=org.slf4j:slf4j-reload4j:1.7.36' \
-- \
--bigtableProjectId=$BIGTABLE_SPARK_PROJECT_ID \
--bigtableInstanceId=$BIGTABLE_SPARK_INSTANCE_ID \
--bigtableTableName=$BIGTABLE_SPARK_TABLE_NAME
Lokaler Spark
Verwenden Sie die heruntergeladene JAR-Datei und erstellen Sie einen Spark-Job, der Daten mit einer lokalen Spark-Instanz aus und in Bigtable liest und schreibt. Sie können den Spark-Job auch mit dem Bigtable-Emulator senden.
Bigtable-Emulator verwenden
Wenn Sie den Bigtable-Emulator verwenden möchten, gehen Sie so vor:
Verwenden Sie den folgenden Befehl, um den Emulator zu starten:
gcloud beta emulators bigtable start
Standardmäßig wählt der Emulator
localhost:8086
aus.Legen Sie die Umgebungsvariable
BIGTABLE_EMULATOR_HOST
fest:export BIGTABLE_EMULATOR_HOST=localhost:8086
Weitere Informationen zur Verwendung des Bigtable-Emulators finden Sie unter Mit dem Emulator testen.
Spark-Job senden
Verwenden Sie den Befehl spark-submit
, um einen Spark-Job unabhängig davon zu senden, ob Sie einen lokalen Bigtable-Emulator verwenden.
Scala/Java
spark-submit $PATH_TO_COMPILED_JAR \
$BIGTABLE_SPARK_PROJECT_ID \
$BIGTABLE_SPARK_INSTANCE_ID \
$BIGTABLE_SPARK_TABLE_NAME
PySpark
spark-submit \
--jars=$LOCAL_PATH_TO_CONNECTOR_JAR \
--packages=org.slf4j:slf4j-reload4j:1.7.36 \
$PATH_TO_PYTHON_FILE \
--bigtableProjectId=$BIGTABLE_SPARK_PROJECT_ID \
--bigtableInstanceId=$BIGTABLE_SPARK_INSTANCE_ID \
--bigtableTableName=$BIGTABLE_SPARK_TABLE_NAME
Tabellendaten überprüfen
Prüfen Sie mit dem folgenden Befehl der cbt
-Befehlszeile, ob die Daten in Bigtable geschrieben wurden. Die cbt
-Befehlszeile ist eine Komponente der Google Cloud CLI. Weitere Informationen finden Sie in der
Übersicht über die cbt
-Befehlszeile.
cbt -project=$BIGTABLE_SPARK_PROJECT_ID -instance=$BIGTABLE_SPARK_INSTANCE_ID \
read $BIGTABLE_SPARK_TABLE_NAME
Zusätzliche Lösungen
Verwenden Sie den Bigtable Spark-Connector für bestimmte Lösungen, z. B. für das Serialisieren komplexer Spark SQL-Typen, das Lesen bestimmter Zeilen und das Generieren von clientseitigen Messwerten.
Bestimmte DataFrame-Zeile mithilfe eines Filters lesen
Wenn Sie DataFrames zum Lesen aus Bigtable verwenden, können Sie einen Filter angeben, um nur bestimmte Zeilen zu lesen. Einfache Filter wie ==
, <=
und startsWith
auf die Zeilenschlüsselspalte werden serverseitig angewendet, um einen Scan der gesamten Tabelle zu vermeiden. Filter für zusammengesetzte Zeilenschlüssel oder komplexe Filter wie der Filter LIKE
in der Zeilenschlüsselspalte werden clientseitig angewendet.
Wenn Sie große Tabellen lesen, empfehlen wir die Verwendung einfacher Zeilenschlüsselfilter, um einen Scan der gesamten Tabelle zu vermeiden. Die folgende Beispielanweisung zeigt, wie mit einem einfachen Filter gelesen wird. Achten Sie darauf, dass Sie in Ihrem Spark-Filter den Namen der DataFrame-Spalte verwenden, die in den Zeilenschlüssel konvertiert wird:
dataframe.filter("id == 'some_id'").show()
Verwenden Sie beim Anwenden eines Filters den Namen der DataFrame-Spalte anstelle des Namens der Bigtable-Tabellenspalte.
Komplexe Datentypen mit Apache Avro serialisieren
Der Bigtable Spark-Connector unterstützt die Verwendung von Apache Avro zur Serialisierung komplexer Spark SQL-Typen wie ArrayType
, MapType
oder StructType
. Apache Avro bietet Datenserialisierung für Datensatzdaten, die häufig zum Verarbeiten und Speichern komplexer Datenstrukturen verwendet werden.
Verwenden Sie eine Syntax wie "avro":"avroSchema"
, um anzugeben, dass eine Spalte in Bigtable mit Avro codiert werden soll. Sie können dann .option("avroSchema", avroSchemaString)
beim Lesen oder Schreiben in Bigtable verwenden, um das Avro-Schema, das dieser Spalte entspricht, im Stringformat anzugeben. Sie können unterschiedliche Optionsnamen verwenden, z. B. "anotherAvroSchema"
für verschiedene Spalten, und Avro-Schemas für mehrere Spalten übergeben.
def catalogWithAvroColumn = s"""{
|"table":{"name":"ExampleAvroTable"},
|"rowkey":"key",
|"columns":{
|"col0":{"cf":"rowkey", "col":"key", "type":"string"},
|"col1":{"cf":"cf1", "col":"col1", "avro":"avroSchema"}
|}
|}""".stripMargin
Clientseitige Messwerte verwenden
Da der Bigtable-Spark-Connector auf dem Bigtable-Client für Java basiert, sind clientseitige Messwerte innerhalb des Connectors standardmäßig aktiviert. Weitere Informationen zum Zugriff und zur Interpretation dieser Messwerte finden Sie in der Dokumentation zu clientseitigen Messwerten.
Bigtable-Client für Java mit Low-Level-RDD-Funktionen verwenden
Da der Bigtable Spark-Connector auf dem Bigtable-Client für Java basiert, können Sie den Client direkt in Ihren Spark-Anwendungen verwenden und verteilte Lese- oder Schreibanfragen innerhalb der Low-Level-RDD-Funktionen wie mapPartitions
und foreachPartition
ausführen.
Wenn Sie den Bigtable-Client für Java-Klassen verwenden möchten, hängen Sie das Präfix com.google.cloud.spark.bigtable.repackaged
an die Paketnamen an. Verwenden Sie beispielsweise com.google.cloud.spark.bigtable.repackaged.com.google.cloud.bigtable.data.v2.BigtableDataClient
anstelle des Klassennamens als com.google.cloud.bigtable.data.v2.BigtableDataClient
.
Weitere Informationen zum Bigtable-Client für Java finden Sie unter Bigtable-Client für Java.
Nächste Schritte
- Spark-Job in Dataproc optimieren
- Verwenden Sie mit dem Bigtable Spark-Connector Klassen des Bigtable-Clients für Java.