Amazon Web Services 文档中描述的 Amazon Web Services 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 Amazon Web Services 服务入门 (PDF)。

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。

通过 Amazon EMR 上的 Spark 在 Amazon Glue Data Catalog 中使用多目录层次结构

您可以注册您的 Amazon EMR 集群以访问 Gl Amazon ue 数据目录，该目录使表格和其他目录资源可供各种使用者使用。 Amazon Glue 数据目录支持多目录层次结构，可统一您在 Amazon S3 数据湖中的数据。它还提供了 Hive 元存储 API 和开源 Apache Iceberg REST API 来访问数据。这些功能适用于 Amazon EMR 和其他服务（例如 Amazon Athena 和 Amazon Redshift）。

目录资源如何组织

在 Amazon Glue 数据目录中创建资源时，你可以从任何支持 Apache Iceberg REST API 或 Hive 元数据仓的 SQL 引擎访问它们。 Amazon Lake Formation 管理权限。

在 G Amazon lue 数据目录中，数据按目录、数据库和表格的逻辑层次结构进行组织：

配置用于 Amazon EMR 的数据目录

首先，您需要将目录配置为支持 Amazon EMR 工具。 Amazon Glue 数据目录提供 Hive 元存储兼容性，兼容 Iceberg REST。 APIs

使用 Hive 元存储配置 Amazon EMR

有关如何设置的信息，请参阅 Amazon Glue 用户指南中的 Glue 数据目录对 Spark 作业的 Amazon 支持。本主题介绍如何将 Amazon Glue 数据目录配置为 Hive 元数据仓并使其可用作端点。此外，在使用 Glue 数据目录作为 Spark 的 A pache Hive 元数据存储中，还有亚马逊 EMR 文档向您展示了如何将 G Amazon lue 数据目录指定为 Spark 元数据库。 Amazon

访问 Glue 数据 Amazon 目录中资源的权限

本节介绍了使用 Amazon EMR 工具处理目录数据的 IAM 策略要求。向 Amazon Glue Data Catalog 注册集群后，您需要以下权限才能发现随后创建的数据目录的创建和更改：

大多数情况下，分配权限时，我们建议创建一个 IAM 角色并为其分配权限。

此外，要查询目录数据，您必须使用 Amazon Lake Formation设置数据目录的权限。有关在 Amazon Lake Formation中设置数据目录权限的更多信息，请参阅授予和撤销对 Data Catalog 资源的权限。

在创建和配置集群并对目录对象设置权限后，您可以提交作业来查询和处理数据。

配置 Spark 以访问 Amazon Glue 数据目录中的多目录层次结构

在 EMR 7.5 中，你可以将 Spark 配置为使用 Amazon Glue 的多目录层次结构。多目录层次结构允许您执行以下操作：

初始化 Spark 会话时连接到多目录

以下示例演示了如何使用交互式 Spark shell、Spark submit 或 Amazon EMR Notebooks 来处理 Glue 的多目录层次结构。 Amazon

spark-shell

1. 使用 SSH 连接主节点。有关更多信息，请参阅《Amazon EMR 管理指南》中的使用 SSH 连接到主节点。

2. 输入以下命令以启动 Spark shell。要使用 PySpark 外壳，请spark-shell替换为pyspark。

   spark-shell \
       --conf spark.sql.catalog.my_catalog=org.apache.iceberg.spark.SparkCatalog \
       --conf spark.sql.catalog.my_catalog.warehouse=s3://amzn-s3-demo-bucket/prefix/
       --conf spark.sql.catalog.my_catalog.type=glue \
       --conf spark.sql.catalog.my_catalog.glue.id=Glue RMS catalog ID \
       --conf spark.sql.defaultCatalog=my_catalog \
       --conf spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions

spark-submit

1. 使用 SSH 连接主节点。有关更多信息，请参阅《Amazon EMR 管理指南》中的使用 SSH 连接到主节点。

2. 输入以下命令以为 Spark 启动 Spark 会话。

   spark-submit \
   --conf spark.sql.catalog.my_catalog=org.apache.iceberg.spark.SparkCatalog \
   --conf spark.sql.catalog.my_catalog.warehouse=s3://amzn-s3-demo-bucket1/prefix \
   --conf spark.sql.catalog.my_catalog.type=glue \
   --conf spark.sql.catalog.my_catalog.glue.id=Glue RMS catalog ID \
   --conf spark.sql.defaultCatalog=my_catalog \
   --conf spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions

EMR Studio notebooks

要使用 EMR Studio notebooks 初始化 Spark 会话，请使用 Amazon EMR notebook 中的 %%configure 魔法命令配置 Spark 会话，如以下示例所示。有关更多信息，请参阅 Amazon EMR 管理指南中的使用 EMR Notebooks 魔法命令。

%%configure -f{
"conf":{
    "spark.sql.catalog.my_catalog":"org.apache.iceberg.spark.SparkCatalog",
    "spark.sql.catalog.my_catalog.type":"glue",
    "spark.sql.catalog.my_catalog.glue.id":"Glue RMS catalog ID",
    "spark.sql.catalog.my_catalog.warehouse":"s3://amzn-s3-demo-bucket1/prefix/",
    "spark.sql.defaultCatalog", "my_catalog",
    "spark.sql.extensions":"org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions"
    }
}

CLI

要使用 CLI 初始化 Spark 会话，请运行下面的示例。有关使用 Amazon CLI 和 Amazon EMR API 指定配置分类的更多信息，请参阅配置应用程序。

[
  {
    "Classification": "spark-defaults",
    "Properties": {
      "spark.sql.catalog.my_catalog":"org.apache.iceberg.spark.SparkCatalog",
      "spark.sql.catalog.my_catalog.type":"glue",
      "spark.sql.catalog.my_catalog.glue.id":"Glue RMS catalog ID",
      "spark.sql.catalog.my_catalog.warehouse":"s3://amzn-s3-demo-bucket1/prefix/",
      "spark.sql.defaultCatalog", "my_catalog",
      "spark.sql.extensions":"org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions"
    }
  }
]

使用 G Amazon lue 数据目录初始化到 Redshift 托管存储的 Spark 会话

以下示例命令使用 Amazon Glue Data Catalog 初始化 Spark 会话。

spark-sql \
  --conf spark.sql.catalog.rms=org.apache.iceberg.spark.SparkCatalog \
  --conf spark.sql.catalog.rms.type=glue \
  --conf spark.sql.catalog.rms.glue.id=Glue RMS catalog ID \
  --conf spark.sql.defaultCatalog=rms
  --conf spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions

以下示例使用 Iceberg REST API 和带有 G Amazon lue 数据目录的 Redshift 托管存储初始化 Spark 会话。

spark-sql \
  --conf spark.sql.catalog.rms=org.apache.iceberg.spark.SparkCatalog \
  --conf spark.sql.catalog.rms.type=rest \
  --conf spark.sql.catalog.rms.warehouse=glue RMS catalog ID \
  --conf spark.sql.catalog.rms.uri=Glue endpoint URI/iceberg \
  --conf spark.sql.catalog.rms.rest.sigv4-enabled=true \
  --conf spark.sql.catalog.rms.rest.signing-name=glue \
  --conf spark.sql.defaultCatalog=rms \
  --conf spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions

有关在 Spark Iceberg 中使用 Amazon Glue 多目录层次结构的更多信息，请参阅将 Iceberg 集群与 Spark 配合使用。

多目录配置的注意事项和限制