Amazon EMR
Amazon EMR 版本指南
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

使用 AWS Glue Data Catalog作为 Spark SQL 的元存储

利用 Amazon EMR 版本 5.8.0 或更高版本,您可以将 Spark SQL 配置为使用 AWS Glue Data Catalog作为元存储。当您需要持久的元数据仓或由不同集群、服务、应用程序和 AWS 账户共享的元数据仓时,我们建议使用此配置。

AWS Glue is a fully managed extract, transform, and load (ETL) service that makes it simple and cost-effective to categorize your data, clean it, enrich it, and move it reliably between various data stores. The AWS Glue Data Catalog provides a unified metadata repository across a variety of data sources and data formats, integrating with Amazon EMR as well as Amazon RDS, Amazon Redshift, Redshift Spectrum, Athena, and any application compatible with the Apache Hive metastore. AWS Glue crawlers can automatically infer schema from source data in Amazon S3 and store the associated metadata in the Data Catalog. For more information about the Data Catalog, see Populating the AWS Glue Data Catalog in the AWS Glue Developer Guide.

Separate charges apply for AWS Glue. There is a monthly rate for storing and accessing the metadata in the Data Catalog, an hourly rate billed per minute for AWS Glue ETL jobs and crawler runtime, and an hourly rate billed per minute for each provisioned development endpoint. The Data Catalog allows you to store up to a million objects at no charge. If you store more than a million objects, you are charged USD$1 for each 100,000 objects over a million. An object in the Data Catalog is a table, partition, or database. For more information, see Glue Pricing.

重要

If you created tables using Amazon Athena or Amazon Redshift Spectrum before August 14, 2017, databases and tables are stored in an Athena-managed catalog, which is separate from the AWS Glue Data Catalog. To integrate Amazon EMR with these tables, you must upgrade to the AWS Glue Data Catalog. For more information, see Upgrading to the AWS Glue Data Catalog in the Amazon Athena 用户指南.

指定 AWS Glue Data Catalog作为元存储

您可以使用 AWS 管理控制台、AWS CLI 或 Amazon EMR API 指定 AWS Glue Data Catalog 作为元存储。在使用 CLI 或 API 时,您可以使用 Spark 的配置分类指定 Data Catalog。此外,对于 Amazon EMR 5.16.0 及更高版本,您可以使用配置分类在不同的 AWS 账户中指定一个 Data Catalog。在使用控制台时,您可以使用 Advanced Options (高级选项)Quick Options (快速选项) 指定 Data Catalog。

注意

使用 AWS Glue Data Catalog的选项也适用于 Zeppelin,因为 Zeppelin 安装有 Spark SQL 组件。

使用控制台指定 AWS Glue Data Catalog作为 Spark SQL 的元存储

  1. 通过以下网址打开 Amazon EMR 控制台:https://console.amazonaws.cn/elasticmapreduce/

  2. Choose Create cluster, Go to advanced options.

  3. 对于 Release (版本),选择 emr-5.8.0 或更高版本。

  4. Release (版本) 下,选择 SparkZeppelin

  5. AWS Glue Data Catalog settings (AWS Glue 数据目录设置) 下面,选择 Use for Spark table metadata (用于 Spark 表元数据)

  6. 根据需要为您的集群选择其他选项,选择 Next (下一步),然后根据需要为您的应用程序配置其他集群选项。

使用配置分类指定 AWS Glue Data Catalog作为元存储

有关使用 AWS CLI 和 EMR API 指定配置分类的更多信息,请参阅配置应用程序

  • 使用 spark-hive-site 分类指定 hive.metastore.client.factory.class 的值,如下例所示:

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

    要在其他 AWS 账户中指定Data Catalog,请添加 hive.metastore.glue.catalogid 属性,如以下示例所示。将 acct-id 替换为Data Catalog的 AWS 账户。

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

IAM 权限

集群的 EC2 实例配置文件必须具有 AWS Glue 操作的 IAM 权限。此外,如果您为 AWS Glue Data Catalog 对象启用加密,还必须允许该角色加密、解密和生成用于加密的客户主密钥 (CMK)。

适用于 AWS Glue 操作的权限

默认 AmazonElasticMapReduceforEC2Role 托管策略已附加到允许所需 AWS Glue 操作的 EMR_EC2_DefaultRole。如果使用默认的 EC2 实例配置文件,则无需执行任何操作。但是,如果您在创建集群时指定自定义 EC2 实例配置文件和权限,请确保允许相应的 AWS Glue 操作。使用 AmazonElasticMapReduceforEC2Role 托管策略作为起点。有关 AWS Glue 操作的列表,请参阅 Amazon EMR 管理指南中的 AmazonElasticMapReduceforEC2Role 权限策略的默认内容

加密和解密 AWS Glue Data Catalog 的权限

本节介绍有关 AWS Glue Data Catalog 的加密功能。有关 AWS Glue Data Catalog 加密的更多信息,请参阅 AWS Glue Developer Guide中的加密数据目录

如果使用适用于 AWS Glue 的 AWS 托管 CMK 为 AWS Glue Data Catalog 对象启用加密,且访问 AWS Glue Data Catalog 的集群位于相同的 AWS 账中,则无需更新附加到 EC2 实例配置文件的权限策略。如果使用客户托管 CMK,或者如果集群位于不同的 AWS 账户中,您必须更新权限策略,以使 EC2 实例配置文件有权使用该密钥进行加密和解密。无论使用的是默认权限策略 AmazonElasticMapReduceforEC2Role,还是附加到自定义 EC2 实例配置文件的自定义权限策略,都需要添加以下策略语句。

[ { "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" } ] } ]

基于资源的权限

如果您将 AWS Glue 与 Hive、Spark 或 Amazon EMR 中的 Presto 结合使用,则 AWS Glue 将支持基于资源的策略控制对 Data Catalog 资源的访问。这些资源包括数据库、表、连接和用户定义的函数。有关更多信息,请参阅 AWS Glue Developer Guide 中的 AWS Glue 资源策略

在 Amazon EMR 内使用基于资源的策略限制对 AWS Glue 的访问时,您在权限策略中指定的委托人必须是与创建集群时指定的 EC2 实例配置文件关联的角色 ARN。例如,如果使用默认 EC2 实例配置文件,则此角色 ARN 具有以下格式:

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

acct-id 可能不同于 AWS Glue 账户 ID。这实现了使用不同的账户通过 EMR 集群进行访问。您可以指定多个委托人,每个委托人来自不同的账户。

使用 AWS Glue Data Catalog时的注意事项

在使用 AWS Glue Data Catalog作为 Spark 的元存储时,请考虑以下项目:

  • 当您创建表时,具有没有位置 URI 的默认数据库会导致失败。作为解决方法,请在您使用 LOCATION 时使用 s3://mybucket 子句指定一个存储桶位置,如 CREATE TABLE。或者,在除默认数据库之外的数据库内创建表。

  • 不支持在 AWS Glue 中重命名表。

  • 在未指定 LOCATION 的情况下创建 Hive 表时,表定义将存储在 hive.metastore.warehouse.dir 属性所指定的位置。默认情况下,这是 HDFS 中的位置。如果另一个集群需要访问该表,除非此集群对创建该表的集群有足够的权限,否则将无法访问。此外,由于 HDFS 存储是暂时的,因此,如果集群终止,则表定义将丢失,并且必须重新创建表。我们建议您在使用 AWS Glue 创建 Hive 表时,在 Amazon S3 中指定 LOCATION。或者,您可以使用 hive-site 配置分类在 Amazon S3 中为 hive.metastore.warehouse.dir 指定一个位置,该位置适用于所有 Hive 表。如果在 HDFS 位置创建一个表并且创建该表的集群仍在运行,您可以从 AWS Glue 中将表位置更新为 Amazon S3。有关更多信息,请参阅 AWS Glue Developer Guide 中的在 AWS Glue 控制台上处理表

  • 不支持包含引号和撇号的分区值,例如 PARTITION (owner="Doe's").

  • 不支持列统计数据

  • 不支持使用 Hive 授权。请考虑使用基于 AWS Glue 资源的策略作为替代。有关更多信息,请参阅将基于资源的策略用于 Amazon EMR 对 AWS Glue Data Catalog 的访问

  • 不支持 Hive 约束

  • 不支持在 Hive 中基于成本进行优化。不支持将 hive.cbo.enable 的值更改为 true

  • 不支持设置 hive.metastore.partition.inherit.table.properties

  • 不支持使用以下元存储常量:BUCKET_COUNT, BUCKET_FIELD_NAME, DDL_TIME, FIELD_TO_DIMENSION, FILE_INPUT_FORMAT, FILE_OUTPUT_FORMAT, HIVE_FILTER_FIELD_LAST_ACCESS, HIVE_FILTER_FIELD_OWNER, HIVE_FILTER_FIELD_PARAMS, IS_ARCHIVED, META_TABLE_COLUMNS, META_TABLE_COLUMN_TYPES, META_TABLE_DB, META_TABLE_LOCATION, META_TABLE_NAME, META_TABLE_PARTITION_COLUMNS, META_TABLE_SERDE, META_TABLE_STORAGE, ORIGINAL_LOCATION

  • 当您使用谓词表达式时,显式值必须在比较运算符的右侧,否则查询可能会失败。

    • 正确SELECT * FROM mytable WHERE time > 11

    • 不正确SELECT * FROM mytable WHERE 11 > time

  • 不建议在谓词表达式中使用用户定义的函数 (UDF)。查询可能会因 Hive 尝试优化查询表达式的方式而失败。

  • 不支持临时表

  • 建议使用应用程序通过 Amazon EMR 创建表,而不是直接使用 AWS Glue 创建表。通过 AWS Glue 创建表可能导致必填字段缺失并导致出现查询异常。

  • 在 EMR 5.20.0 或更高版本中,当将 AWS Glue 数据目录用作元数据仓时,会自动为 Spark 和 Hive 启用并行分区修剪。这一更改通过并行执行多个请求来检索分区,可显著减少查询规划时间。可并行执行的总分段数量介于 1 到 10 之间。默认值为 5,这是建议采用的设置。您可以通过在 hive-site 配置分类中指定 aws.glue.partition.num.segments 属性来更改它。当发生限制时,可以通过将值更改为 1 来关闭此功能。有关更多信息,请参阅 AWS Glue 分段结构