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。
# 使用 Amazon EMR Serverless 连接到 DynamoDB
在本教程中，您要将[美国地名委员会](https://www.usgs.gov/us-board-on-geographic-names)的数据子集上传到 Amazon S3 存储桶，然后使用 Amazon EMR Serverless 上的 Hive 或 Spark 将数据复制到 Amazon DynamoDB 表进行查询。
## 步骤 1：将数据上传到 Amazon S3 存储桶
要创建 Amazon 存储桶，请按照《Amazon Simple Storage Service 控制台用户指南》**中[创建存储桶](https://docs.amazonaws.cn/AmazonS3/latest/user-guide/create-bucket.html)的说明操作。将对 `{{amzn-s3-demo-bucket}}` 的引用替换为新建存储桶的名称。现在，您的 EMR Serverless 应用程序已准备好运行作业。
1. 使用以下命令下载示例数据存档 `features.zip`。
```
wget https://docs.aws.amazon.com/amazondynamodb/latest/developerguide/samples/features.zip
```
1. 从存档中提取 `features.txt` 文件，访问文件的前几行：
```
unzip features.zip
head features.txt
```
结果应类似以下内容。
```
1535908|Big Run|Stream|WV|38.6370428|-80.8595469|794
875609|Constable Hook|Cape|NJ|40.657881|-74.0990309|7
1217998|Gooseberry Island|Island|RI|41.4534361|-71.3253284|10
26603|Boone Moore Spring|Spring|AZ|34.0895692|-111.410065|3681
1506738|Missouri Flat|Flat|WA|46.7634987|-117.0346113|2605
1181348|Minnow Run|Stream|PA|40.0820178|-79.3800349|1558
1288759|Hunting Creek|Stream|TN|36.343969|-83.8029682|1024
533060|Big Charles Bayou|Bay|LA|29.6046517|-91.9828654|0
829689|Greenwood Creek|Stream|NE|41.596086|-103.0499296|3671
541692|Button Willow Island|Island|LA|31.9579389|-93.0648847|98
```
这里每行中的字段表示唯一标识符、名称、自然特征类型、州、纬度（度）、经度（度）和高度（英尺）。
1. 将数据上传到 Amazon S3
```
aws s3 cp features.txt s3://{{amzn-s3-demo-bucket}}/features/
```
## 步骤 2：创建 Hive 表
使用 Apache Spark 或 Hive 创建一个新的 Hive 表，其中包含 Amazon S3 中上传的数据。
------
#### [ Spark ]
要使用 Spark 创建 Hive 表，请运行以下命令。
```
import org.apache.spark.sql.SparkSession
val sparkSession = SparkSession.builder().enableHiveSupport().getOrCreate()
sparkSession.sql("CREATE TABLE {{hive_features}} \
(feature_id BIGINT, \
feature_name STRING, \
feature_class STRING, \
state_alpha STRING, \
prim_lat_dec DOUBLE, \
prim_long_dec DOUBLE, \
elev_in_ft BIGINT) \
ROW FORMAT DELIMITED \
FIELDS TERMINATED BY '|' \
LINES TERMINATED BY '\n' \
LOCATION 's3://{{amzn-s3-demo-bucket}}/features';")
```
现在，您有一个 Hive 表，其中包含 `features.txt` 文件中的数据。要验证数据是否在表中，请运行 Spark SQL 查询，如以下示例所示。
```
sparkSession.sql(
"SELECT state_alpha, COUNT(*) FROM {{hive_features}} GROUP BY state_alpha;")
```
------
#### [ Hive ]
要使用 Hive 创建 Hive 表，请运行以下命令。
```
CREATE TABLE {{hive_features}}
(feature_id BIGINT,
feature_name STRING ,
feature_class STRING ,
state_alpha STRING,
prim_lat_dec DOUBLE ,
prim_long_dec DOUBLE ,
elev_in_ft BIGINT)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '|'
LINES TERMINATED BY '\n'
LOCATION 's3://{{amzn-s3-demo-bucket}}/features';
```
现在，您有一个 Hive 表，其中包含 `features.txt` 文件中的数据。要验证数据是否在表中，请运行 HiveQL 查询，如以下示例所示。
```
SELECT state_alpha, COUNT(*) FROM {{hive_features}} GROUP BY state_alpha;
```
------
## 步骤 3：将数据复制到 DynamoDB
使用 Spark 或 Hive 将数据复制到新的 DynamoDB 表。
------
#### [ Spark ]
要将数据从您在上一步中创建的 Hive 表复制到 DynamoDB，请按照[将数据复制到 DynamoDB](https://docs.amazonaws.cn/amazondynamodb/latest/developerguide/EMRforDynamoDB.Tutorial.CopyDataToDDB.html) 中的**步骤 1-3** 操作。这将创建一个名为 `Features` 的新 DynamoDB 表。然后，您可以直接从文本文件中读取数据，并将其复制到 DynamoDB 表中，如下例所示。
```
import com.amazonaws.services.dynamodbv2.model.AttributeValue
import org.apache.hadoop.dynamodb.DynamoDBItemWritable
import org.apache.hadoop.dynamodb.read.DynamoDBInputFormat
import org.apache.hadoop.io.Text
import org.apache.hadoop.mapred.JobConf
import org.apache.spark.SparkContext
import scala.collection.JavaConverters._
object EmrServerlessDynamoDbTest {
def main(args: Array[String]): Unit = {
jobConf.set("dynamodb.input.tableName", "Features")
jobConf.set("dynamodb.output.tableName", "Features")
jobConf.set("dynamodb.region", "{{region}}")
jobConf.set("mapred.output.format.class", "org.apache.hadoop.dynamodb.write.DynamoDBOutputFormat")
jobConf.set("mapred.input.format.class", "org.apache.hadoop.dynamodb.read.DynamoDBInputFormat")
val rdd = sc.textFile("s3://{{amzn-s3-demo-bucket}}/ddb-connector/")
.map(row => {
val line = row.split("\\|")
val item = new DynamoDBItemWritable()
val elevInFt = if (line.length > 6) {
new AttributeValue().withN(line(6))
} else {
new AttributeValue().withNULL(true)
}
item.setItem(Map(
"feature_id" -> new AttributeValue().withN(line(0)),
"feature_name" -> new AttributeValue(line(1)),
"feature_class" -> new AttributeValue(line(2)),
"state_alpha" -> new AttributeValue(line(3)),
"prim_lat_dec" -> new AttributeValue().withN(line(4)),
"prim_long_dec" -> new AttributeValue().withN(line(5)),
"elev_in_ft" -> elevInFt)
.asJava)
(new Text(""), item)
})
rdd.saveAsHadoopDataset(jobConf)
}
}
```
------
#### [ Hive ]
要将数据从您在上一步中创建的 Hive 表复制到 DynamoDB，请按照[将数据复制到 DynamoDB](https://docs.amazonaws.cn/amazondynamodb/latest/developerguide/EMRforDynamoDB.Tutorial.CopyDataToDDB.html) 中的说明操作。
------
## 步骤 4：从 DynamoDB 查询数据
使用 Spark 或 Hive 查询 DynamoDB 表。
------
#### [ Spark ]
要查询您在上一步中创建的 DynamoDB 表中的数据，请使用 Spark SQL 或 Spark API。 MapReduce
**Example 使用 Spark SQL 查询 DynamoDB 表**
以下 Spark SQL 查询将按字母顺序返回所有特征类型的列表。
```
val dataFrame = sparkSession.sql("SELECT DISTINCT feature_class \
FROM ddb_features \
ORDER BY feature_class;")
```
以下 Spark SQL 查询将返回以字母 *M* 开头的所有数据湖列表。
```
val dataFrame = sparkSession.sql("SELECT feature_name, state_alpha \
FROM ddb_features \
WHERE feature_class = 'Lake' \
AND feature_name LIKE 'M%' \
ORDER BY feature_name;")
```
以下 Spark SQL 查询将返回所有州的列表，其中至少有三个特征高于一英里。
```
val dataFrame = sparkSession.dql("SELECT state_alpha, feature_class, COUNT(*) \
FROM ddb_features \
WHERE elev_in_ft > 5280 \
GROUP by state_alpha, feature_class \
HAVING COUNT(*) >= 3 \
ORDER BY state_alpha, feature_class;")
```
**Example — 使用 Spark API 查询你的 DynamoDB 表 MapReduce**
以下 MapReduce 查询按字母顺序返回所有要素类型的列表。
```
val df = sc.hadoopRDD(jobConf, classOf[DynamoDBInputFormat], classOf[Text], classOf[DynamoDBItemWritable])
.map(pair => (pair._1, pair._2.getItem))
.map(pair => pair._2.get("feature_class").getS)
.distinct()
.sortBy(value => value)
.toDF("feature_class")
```
以下 MapReduce 查询返回以字母 *M* 开头的所有湖泊的列表。
```
val df = sc.hadoopRDD(jobConf, classOf[DynamoDBInputFormat], classOf[Text], classOf[DynamoDBItemWritable])
.map(pair => (pair._1, pair._2.getItem))
.filter(pair => "Lake".equals(pair._2.get("feature_class").getS))
.filter(pair => pair._2.get("feature_name").getS.startsWith("M"))
.map(pair => (pair._2.get("feature_name").getS, pair._2.get("state_alpha").getS))
.sortBy(_._1)
.toDF("feature_name", "state_alpha")
```
以下 MapReduce 查询返回包含至少三个高于一英里的要素的所有州的列表。
```
val df = sc.hadoopRDD(jobConf, classOf[DynamoDBInputFormat], classOf[Text], classOf[DynamoDBItemWritable])
.map(pair => pair._2.getItem)
.filter(pair => pair.get("elev_in_ft").getN != null)
.filter(pair => Integer.parseInt(pair.get("elev_in_ft").getN) > 5280)
.groupBy(pair => (pair.get("state_alpha").getS, pair.get("feature_class").getS))
.filter(pair => pair._2.size >= 3)
.map(pair => (pair._1._1, pair._1._2, pair._2.size))
.sortBy(pair => (pair._1, pair._2))
.toDF("state_alpha", "feature_class", "count")
```
------
#### [ Hive ]
要从您在上一步中创建的 DynamoDB 表查询数据，请按照[查询 DynamoDB 表中的数据](https://docs.amazonaws.cn/amazondynamodb/latest/developerguide/EMRforDynamoDB.Tutorial.QueryDataInDynamoDB.html)中的说明操作。
------