本文為您介紹如何在E-MapReduce Hudi中寫資料以及查詢資料。
寫資料
環境配置
EMR-3.32.0以及後續版本中,已經將Hudi相關依賴整合到各個開源組件中,包括Spark、Hive和Presto,因此運行時不需要引入額外的Hudi依賴,只需要在pom檔案中添加Hudi依賴即可。不同的EMR版本使用的Hudi版本不同,詳細資料請參見下表。
Hudi版本 | EMR版本 |
0.6.0 |
|
0.8.0 |
|
0.9.0 |
|
0.10.0 |
|
0.11.0 | EMR 3.42.0,EMR 5.8.0 |
0.12.0 |
|
0.12.2 |
|
0.13.1 |
|
<dependency>
<groupId>org.apache.hudi</groupId>
<artifactId>hudi-spark_2.11</artifactId>
<!-- for spark3 <artifactId>hudi-spark_2.12</artifactId> -->
<version>${hudi_version}</version>
<scope>provided</scope>
</dependency>
Insert和Update
樣本如下。
val spark = SparkSession
.builder()
.master("local[*]")
.appName("hudi test")
.config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
.getOrCreate()
import spark.implicits._
val df = (for (i <- 0 until 10) yield (i, s"a$i", 30 + i * 0.2, 100 * i + 10000, s"p${i % 5}"))
.toDF("id", "name", "price", "version", "dt")
df.write.format("hudi")
.option(TABLE_NAME, "hudi_test_0")
// .option(OPERATION_OPT_KEY, UPSERT_OPERATION_OPT_VAL) for update
.option(OPERATION_OPT_KEY, INSERT_OPERATION_OPT_VAL) // for insert
.option(RECORDKEY_FIELD_OPT_KEY, "id")
.option(PRECOMBINE_FIELD_OPT_KEY, "version")
.option(KEYGENERATOR_CLASS_OPT_KEY, classOf[SimpleKeyGenerator].getName)
.option(HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY, classOf[MultiPartKeysValueExtractor].getCanonicalName)
.option(PARTITIONPATH_FIELD_OPT_KEY, "dt")
.option(HIVE_PARTITION_FIELDS_OPT_KEY, "ds")
.option(META_SYNC_ENABLED_OPT_KEY, "true")
.option(HIVE_USE_JDBC_OPT_KEY, "false")
.option(HIVE_DATABASE_OPT_KEY, "default")
.option(HIVE_TABLE_OPT_KEY, "hudi_test_0")
.option(INSERT_PARALLELISM, "8")
.option(UPSERT_PARALLELISM, "8")
.mode(Overwrite)
.save("/tmp/hudi/h0")
Delete
樣本如下。
df.write.format("hudi")
.option(TABLE_NAME, "hudi_test_0")
.option(OPERATION_OPT_KEY, DELETE_OPERATION_OPT_VAL) // for delete
.option(RECORDKEY_FIELD_OPT_KEY, "id")
.option(PRECOMBINE_FIELD_OPT_KEY, "version")
.option(KEYGENERATOR_CLASS_OPT_KEY, classOf[SimpleKeyGenerator].getName)
.option(HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY, classOf[MultiPartKeysValueExtractor].getCanonicalName)
.option(PARTITIONPATH_FIELD_OPT_KEY, "dt")
.option(DELETE_PARALLELISM, "8")
.mode(Append)
.save("/tmp/hudi/h0")
查詢資料
EMR引擎環境中已整合Hudi相關的軟體包,您無需在Spark、Presto和Hive查詢引擎中額外引入相關依賴。
Hive和Presto查詢Hudi表,需要在寫入階段開啟中繼資料同步功能,即設定META_SYNC_ENABLED_OPT_KEY為true。
對於社區版Hudi,COW和MOR表需要設定hive.input.format為org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat。EMR版本對於COW類型表,可以不用設定input format,支援自動適配Hudi的input format功能。