Соединитель BigQuery для pyspark на примере формата ввода Hadoop

Question

У меня есть большой набор данных, хранящийся в таблице BigQuery, и я хотел бы загрузить его в PyDark RDD для обработки данных ETL.

Я понял, что BigQuery поддерживает формат ввода / вывода Hadoop

https://cloud.google.com/hadoop/writing-with-bigquery-connector

и pyspark должен иметь возможность использовать этот интерфейс для создания RDD с помощью метода "newAPIHadoopRDD".

http://spark.apache.org/docs/latest/api/python/pyspark.html

К сожалению, документация на обоих концах кажется скудной и выходит за рамки моих знаний о Hadoop/Spark/BigQuery. Есть кто-нибудь, кто придумал, как это сделать?

Answer 1

У Google теперь есть пример того, как использовать соединитель BigQuery со Spark.

Кажется, есть проблема с использованием GsonBigQueryInputFormat, но я получил простой пример подсчета слов Шекспира, работающий

import json
import pyspark
sc = pyspark.SparkContext()

hadoopConf=sc._jsc.hadoopConfiguration()
hadoopConf.get("fs.gs.system.bucket")

conf = {"mapred.bq.project.id": "<project_id>", "mapred.bq.gcs.bucket": "<bucket>", "mapred.bq.input.project.id": "publicdata", "mapred.bq.input.dataset.id":"samples", "mapred.bq.input.table.id": "shakespeare"  }

tableData = sc.newAPIHadoopRDD("com.google.cloud.hadoop.io.bigquery.JsonTextBigQueryInputFormat", "org.apache.hadoop.io.LongWritable", "com.google.gson.JsonObject", conf=conf).map(lambda k: json.loads(k[1])).map(lambda x: (x["word"], int(x["word_count"]))).reduceByKey(lambda x,y: x+y)
print tableData.take(10)