在 Amazon EMR 上使用 Hudi 的注意事项和限制 - Amazon EMR
AWS 文档中描述的 AWS 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 AWS 服务入门

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,框架在upsert和insert上更新 – Hudi 提供界面, HoodieRecordPayload 决定输入 DataFrame 并存在 Hudi 数据集被合并以产生新的、更新的数据集。 Hudi 提供该类的默认实施方式, OverwriteWithLatestAvroPayload: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,您可以提供 HoodieRecordPayload 界面,使用 DataSourceWriteOptions.PAYLOAD_CLASS_OPT_KEY 参数。

  • 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。其他列可以成为 null 或空,但需要完整的架构。

  • MoR 表格限制 – MoR 表不支持保存指向,只能使用实时表查询, tablename_rt,来自SparkSQL或Hive。

  • Hive

    • 在Hivemetastore中注册表格, Hudi 预期HiveThrift服务器在默认端口运行 10000。如果您使用自定义端口覆盖此端口,则传递 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

    • Presto不支持读取 MoR 实时表格。

    • 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" } } ]