Ecossistema Hadoop com Google Cloud Dataproc

O desafio de projeto Criando um ecossistema Hadoop totalmente gerenciado com Google Cloud Platform faz parte do bootcamp Cognizant Cloud Data Engineer #2, promovido pela plataforma da Digital Innovation One Inc.

O objetivo é efetuar um processamento de dados utilizando o serviço Dataproc do GCP. Nesse processamento efetua-se a contagem das palavras de um livro e informa-se quantas vezes cada palavra aparece no arquivo.

---

Etapas do Desafio

1. Criar um bucket no Cloud Storage.

2. Atualizar o arquivo do código contador.py com o nome do bucket nas linhas que contém {SEU_BUCKET}.

3. Fazer o upload dos arquivos contador.py e livro.txt para o bucket criado (conforme instruções abaixo).

   • https://cloud.google.com/storage/docs/uploading-objects

4. Utilizar o código em um cluster Dataproc para execução de um Job do tipo PySpark, chamando gs://{SEU_BUCKET}/contador.py.

5. O Job gera uma pasta chamada resultado no bucket. Dentro dessa pasta, o arquivo part-00000 conterá a lista de palavras e quantas vezes se repetem em todo o livro.

Entrega do Resultado

1. Criar um repositório no GitHub.
2. Criar um arquivo chamado resultado.txt. Dentro desse arquivo, colocar as 10 palavras que mais são usadas no livro, de acordo com o resultado do Job.
3. Inserir os arquivos resultado.txt e part-00000 no repositório e informar na plataforma da Digital Innovation One.

---

Considerações Finais

NOTA: Se o Job mostrar um WARN de Interrupt, basta ignorar. Existe um bug no Hadoop que é conhecido e isso não impacta no processamento.

Qualquer outra dúvida, informação ou sugestão pode ser tratada com o professor: marcelo@smarques.com.

---

Autora

Carla Edila Silveira
Contato: rosa.carla@pucpr.edu.br

---

Licença

Apache License 2.0