Hive のメタストアとしての AWS Glue Data Catalog の使用

Amazon EMR リリース 5.8.0 以降では、AWS Glue Data Catalog をメタストアとして使用するように Hive を設定できます。永続的なメタストア、またはさまざまなクラスター、サービス、アプリケーション、あるいは AWS アカウントで共有されるメタストアが必要である場合は、この設定をお勧めします。

AWS Glue は、簡単でコスト効果の高い方法でデータの分類、消去、強化、およびさまざまなデータストア間を確実に移動することができる、フルマネージド型の抽出、変換、ロード (ETL) サービスです。AWS Glue Data Catalog は、さまざまなデータソースおよびデータ形式にわたって一本化されたメタデータリポジトリを提供します。そのために、Amazon EMR だけでなく、Amazon RDS、Amazon Redshift、Redshift Spectrum、Athena、およびその他の Apache Hive メタストアと互換性のあるすべてのアプリケーションと連携します。AWSGlue クローラは、Amazon S3 のソースデータからスキーマを自動的に推論し、関連するメタデータを Data Catalog に保存します。Data Catalog の詳細については、「AWS Glue デベロッパーガイド」の「AWS Glue データカタログの作成」を参照してください。

AWS Glue には、別個の料金が適用されます。Data Catalog にメタデータを保存し、保存済みメタデータにアクセスするための月別レート、AWS Glue ETL ジョブとクローラランタイムに対して分単位で課金される時間レート、およびプロビジョニング済みの開発エンドポイントごとに分単位で課金される時間レートが適用されます。Data Catalog では、最大 100 万個までのオブジェクトを無料で保存できます。100 万を超えるオブジェクトを保存した場合は、100,000 オブジェクトごとに 1 USD が課金されます。Data Catalog 内のオブジェクトは、テーブル、パーティション、またはデータベースです。詳細については、「Glue 料金表」を参照してください。

AWS Glue Data Catalog をメタストアとして指定する

AWS Management Console、AWS CLI、または Amazon EMR API を使用して、AWS Glue Data Catalog をメタストアとして指定できます。CLI または API を使用する場合は、Hive の設定分類を使用して Data Catalog を指定します。さらに、Amazon EMR 5.16.0 以降では、設定分類を使用して、別の AWS アカウントにデータカタログを指定できます。コンソールを使用する場合は、[Advanced Options] (詳細オプション) または [Quick Options] (クイックオプション) を使用して、Data Catalog を指定できます。

Console

コンソールを使用して AWS Glue Data Catalog を Hive メタストアとして指定するには

1. AWS Management Consoleにサインインし、Amazon EMR コンソール (https://console.aws.amazon.com/emr) を開きます。

2. 左側のナビゲーションペインの [EMR on EC2] で、[クラスター] を選択し、[クラスターの作成] を選択します

3. [アプリケーションバンドル] で [Core Hadoop]、[HBase]、または [カスタム] を選択します。クラスターをカスタマイズする場合は、必ず Hive または HCatalog をアプリケーションの 1 つとして選択しします。

4. [AWS Glue Data Catalog 設定] で [Hive テーブルメタデータに使用] チェックボックスをオンにします。

5. クラスターに適用するその他のオプションを選択します。

6. クラスターを起動するには、[クラスターの作成] を選択します。

CLI

AWS CLI を使用して AWS Glue Data Catalog を Hive メタストアとして指定するには

AWS CLI と EMR API を使用した設定分類の指定方法の詳細については、「アプリケーションの設定」を参照してください。

• 次の例に示すように、hive-site 設定分類を使用して hive.metastore.client.factory.class の値を指定します。

  [
    {
      "Classification": "hive-site",
      "Properties": {
        "hive.metastore.client.factory.class": "com.amazonaws.glue.catalog.metastore.AWSGlueDataCatalogHiveClientFactory"
      }
    }
  ]
  						

  EMR リリースバージョン 5.28.0、5.28.1、5.29.0、または 6.x で、メタストアとして AWS Glue Data Catalog を使用してクラスターを作成する場合は、hive.metastore.schema.verification を false に設定します。これにより、Hive と HCatalog が MySQL に対してメタストアスキーマを検証できなくなります。この設定がない場合、プライマリインスタンスグループは Hive または HCatalog の再設定後に中断されます。

  [
    {
      "Classification": "hive-site",
      "Properties": {
        "hive.metastore.client.factory.class": "com.amazonaws.glue.catalog.metastore.AWSGlueDataCatalogHiveClientFactory",
        "hive.metastore.schema.verification": "false"
      }
    }
  ]
  					

  EMR リリースバージョン 5.28.0、5.28.1、または 5.29.0 にクラスターが既に存在する場合は、次の情報を使用してプライマリインスタンスグループ hive.metastore.schema.verification を false に設定できます。

     
      Classification = hive-site
      Property       = hive.metastore.schema.verification
      Value          = false
  					

  別の AWS アカウントでデータカタログを指定するには、以下の例に示すように hive.metastore.glue.catalogid プロパティを追加します。acct-id は、データカタログの AWS アカウントに置き換えます。

  [
    {
      "Classification": "hive-site",
      "Properties": {
        "hive.metastore.client.factory.class": "com.amazonaws.glue.catalog.metastore.AWSGlueDataCatalogHiveClientFactory",
        "hive.metastore.schema.verification": "false",
        "hive.metastore.glue.catalogid": "acct-id"
      }
    }
  ]
  				

IAM アクセス許可

クラスターの EC2 インスタンスプロファイルには、AWS Glue アクションに対する IAM アクセス許可が必要です。さらに、AWS Glue Data Catalog オブジェクトの暗号化を有効にする場合は、暗号化に使用する AWS KMS key を暗号化、復号、および生成できるロールも必要です。

AWS Glue アクションに対するアクセス許可

Amazon EMR の デフォルトの EC2 インスタンスプロファイルを使用する場合、アクションは必要ありません。EMR_EC2_DefaultRole にアタッチされている AmazonElasticMapReduceforEC2Role 管理ポリシーでは、必要なすべての AWS Glue アクションが許可されます。ただし、カスタム EC2 インスタンスプロファイルとアクセス許可を指定する場合、該当する AWS Glue アクションを設定する必要があります。開始点として AmazonElasticMapReduceforEC2Role 管理ポリシーを使用します。詳細については、「Amazon EMR 管理ガイド」の「クラスター EC2 インスタンスのサービスロール (EC2 インスタンスプロファイル)」を参照してください。

AWS Glue データカタログを暗号化/復号するためのアクセス許可

インスタンスプロファイルには、キーを使用してデータを暗号化および復号するためのアクセス許可が必要です。以下のステートメントが両方とも適用される場合、これらのアクセス許可を設定する必要はありません。

それ以外の場合は、EC2 インスタンスプロファイルにアタッチされたアクセス許可ポリシーに次のステートメントを追加する必要があります。

[
    {
        "Version": "2012-10-17",
        "Statement": [
            {
                "Effect": "Allow",
                "Action": [
                    "kms:Decrypt",
                    "kms:Encrypt",
                    "kms:GenerateDataKey"
                ],
                "Resource": "arn:aws:kms:region:acct-id:key/12345678-1234-1234-1234-123456789012"
            }
        ]
    }
]

AWS Glue Data Catalog 暗号化の詳細については、「AWS Glue デベロッパーガイド」の「データカタログの暗号化」を参照してください。

リソースベースのアクセス許可

AWS Glue を Amazon EMR で Hive、Spark、または Presto と共に使用する場合、AWS Glue はデータカタログのリソースへのアクセスを制御するリソースベースのポリシーをサポートします。これらのリソースには、データベース、テーブル、接続、ユーザー定義関数が含まれます。詳細については、「AWS Glue デベロッパーガイド」の「AWS Glue リソースポリシー」を参照してください。

リソースベースのポリシーを使用して、Amazon EMR 内から AWS Glue へのアクセスを制限する場合、許可ポリシーに指定するプリンシパルは、クラスターの作成時に指定された EC2 インスタンスプロファイルに関連付けられたロール ARN である必要があります。例えば、カタログにアタッチされたリソースベースのポリシーの場合、以下の例に示されている形式を使用して、クラスター EC2 インスタンスのデフォルトサービスロールのロール ARN である EMR_EC2_DefaultRole を Principal として指定できます。

arn:aws:iam::acct-id:role/EMR_EC2_DefaultRole

acct-id は AWS Glue アカウント ID とは異なるものにすることができます。これにより、さまざまなアカウントで EMR クラスターからアクセスできます。異なるアカウントから、複数のプリンシパルを指定できます。

AWS Glue Data Catalog を使用する場合の考慮事項

AWS Glue Data Catalog を Hive でメタストアとして使用するときは、以下について考慮します。