在 Amazon EMR 上使用 Hudi 的注意事项和限制 - Amazon EMR

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

在 Amazon EMR 上使用 Hudi 的注意事项和限制

  • 记录键字段不能为 Null 或空 – 您指定为记录键字段的字段不能具有 null 或空值。

  • 默认情况下，架构会在 upsert 和 insert 时更新 — Hudi 提供了一个接口HoodieRecordPayload，用于确定如何合并输入 DataFrame 和现有 Hudi 数据集以生成新的、更新的数据集。Hudi 提供了该类的默认实现OverwriteWithLatestAvroPayload，它会覆盖现有记录并更新输入中指定的架构。 DataFrame要自定义此逻辑以实现合并和部分更新，您可以使用 DataSourceWriteOptions.PAYLOAD_CLASS_OPT_KEY 参数提供 HoodieRecordPayload 接口的实现。

  • 删除需要架构 – 删除时，必须指定记录键、分区键和预组合键字段。其它列可以成为 null 或空，但需要完整的架构。

  • MoR 表限制 – MoR 表不支持保存点。您可以使用来自 Spark SQL、Presto 或 Hive 的读取优化视图或实时视图（tableName_rt）。使用读取优化视图仅公开基本文件数据，不会公开基本数据和日志数据的合并视图。

  • Hive

    • 要在 Hive 元数据仓中注册表，Hudi 需要 Hive Thrift 服务器在默认端口 10000 上运行。如果使用自定义端口覆盖此端口，请传递 HIVE_URL_OPT_KEY 选项，如以下示例所示。

      .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY, "jdbc:hive2://localhost:override-port-number

    • Spark 中的 timestamp 数据类型在 Hive 中注册为 long 数据类型，而不注册为 Hive 的 timestamp 类型。

  • Presto

    • 在版本低于 0.6.0 的 Hudi 中，Presto 不支持读取 MoR 实时表。

    • Presto 仅支持快照查询。

    • 要使 Presto 正确解释 Hudi 数据集列，请将 hive.parquet_use_column_names 值设置为 true。

      • 要设置会话的值，请在 Presto shell 中运行以下命令：

        set session hive.parquet_use_column_names=true

      • 要在集群级别设置值，请使用 presto-connector-hive 配置分类将 hive.parquet.use_column_names 设置为 true，如以下示例所示。有关更多信息，请参阅 配置应用程序。

        [
  {
    "Classification": "presto-connector-hive",
    "Properties": {
      "hive.parquet.use-column-names": "true"
    }
  }
]

  • HBase 索引

    • 用于构建 Hudi 的 HBase 版本可能与《EMR 发行指南》中列出的版本不同。要为 Spark 会话提取正确的依赖项，请运行以下命令。

      spark-shell \
--jars /usr/lib/spark/external/lib/spark-avro.jar,/usr/lib/hudi/cli/lib/*.jar \
--conf "spark.serializer=org.apache.spark.serializer.KryoSerializer" \
--conf "spark.sql.hive.convertMetastoreParquet=false"

  • 最佳性能设置 — 对于 EMR 7.3+/Hudi 0.15+，建议客户设置此配置以减少 Kryo 序列化开销：

    --conf 'spark.kryo.registrator=org.apache.spark.HoodieKryoRegistrar'
    注意

    如果您在 EMR Serverless 上使用细粒度访问控制 (FGAC)，则不需要此配置，因为用户必须使用而不是。 JavaSerializer KryoSerializer