API de Hive Warehouse Connector en Azure HDInsight

Artículo
09/06/2024

En este artículo se enumeran todas las API que admite Hive Warehouse Connector. Todos los ejemplos que se muestran a continuación se ejecutan usando un shell de Spark y una sesión de Hive Warehouse Connector.

Creación de una sesión de Hive Warehouse Connector:

import com.hortonworks.hwc.HiveWarehouseSession
val hive = HiveWarehouseSession.session(spark).build()

Requisito previo

Complete los pasos de configuración de Hive Warehouse Connector.

API admitidas

Establecimiento de la base de datos
```
hive.setDatabase("<database-name>")
```
Enumeración de todas las bases de datos
```
hive.showDatabases()
```
Enumeración de todas las tablas de la base de datos actual
```
hive.showTables()
```

Descripción de una tabla

// Describes the table <table-name> in the current database
hive.describeTable("<table-name>")

// Describes the table <table-name> in <database-name>
hive.describeTable("<database-name>.<table-name>")

Quitar una base de datos

// ifExists and cascade are boolean variables
hive.dropDatabase("<database-name>", ifExists, cascade)

Eliminación de una tabla de la base de datos actual

// ifExists and purge are boolean variables
hive.dropTable("<table-name>", ifExists, purge)

Crear una base de datos

// ifNotExists is boolean variable
hive.createDatabase("<database-name>", ifNotExists)

Creación de una tabla en la base de datos actual

// Returns a builder to create table
val createTableBuilder = hive.createTable("<table-name>")

El generador para crear tablas solo admite las siguientes operaciones:

// Create only if table does not exists already
createTableBuilder = createTableBuilder.ifNotExists()

// Add columns
createTableBuilder = createTableBuilder.column("<column-name>", "<datatype>")

// Add partition column
createTableBuilder = createTableBuilder.partition("<partition-column-name>", "<datatype>")

// Add table properties
createTableBuilder = createTableBuilder.prop("<key>", "<value>")

// Creates a bucketed table,
// Parameters are numOfBuckets (integer) followed by column names for bucketing
createTableBuilder = createTableBuilder.clusterBy(numOfBuckets, "<column1>", .... , "<columnN>")

// Creates the table
createTableBuilder.create()

Nota:

Esta API crea una tabla con formato ORC en la ubicación predeterminada. Para conocer otras características u opciones o para crear una tabla usando consultas de Hive, use la API executeUpdate.

Lectura de una tabla

// Returns a Dataset<Row> that contains data of <table-name> in the current database
hive.table("<table-name>")

Ejecución de comandos DDL en HiveServer2

// Executes the <hive-query> against HiveServer2
// Returns true or false if the query succeeded or failed respectively
hive.executeUpdate("<hive-query>")

// Executes the <hive-query> against HiveServer2
// Throws exception, if propagateException is true and query threw exception in HiveServer2
// Returns true or false if the query succeeded or failed respectively
hive.executeUpdate("<hive-query>", propagateException) // propagate exception is boolean value

Ejecución de una consulta de Hive y carga del resultado en el conjunto de datos
- Ejecución de una consulta a través de demonios LLAP (opción recomendada)
```
// <hive-query> should be a hive query 
hive.executeQuery("<hive-query>")
```
- Ejecución de una consulta a través de HiveServer2 mediante JDBC
  
  Establecimiento de spark.datasource.hive.warehouse.smartExecution en false en configuraciones de Spark antes de iniciar una sesión en la plataforma para usar esta API
```
hive.execute("<hive-query>")
```

Cierre de una sesión de Hive Warehouse Connector

// Closes all the open connections and
// release resources/locks from HiveServer2
hive.close()

Ejecución de una consulta de combinación de Hive

Esta API crea una consulta de combinación de Hive con el siguiente formato:

MERGE INTO <current-db>.<target-table> AS <targetAlias> USING <source expression/table> AS <sourceAlias>
ON <onExpr>
WHEN MATCHED [AND <updateExpr>] THEN UPDATE SET <nameValuePair1> ... <nameValuePairN>
WHEN MATCHED [AND <deleteExpr>] THEN DELETE
WHEN NOT MATCHED [AND <insertExpr>] THEN INSERT VALUES <value1> ... <valueN>

val mergeBuilder = hive.mergeBuilder() // Returns a builder for merge query

El generador admite las siguientes operaciones:

mergeBuilder.mergeInto("<target-table>", "<targetAlias>")

mergeBuilder.using("<source-expression/table>", "<sourceAlias>")

mergeBuilder.on("<onExpr>")

mergeBuilder.whenMatchedThenUpdate("<updateExpr>", "<nameValuePair1>", ... , "<nameValuePairN>")

mergeBuilder.whenMatchedThenDelete("<deleteExpr>")

mergeBuilder.whenNotMatchedInsert("<insertExpr>", "<value1>", ... , "<valueN>");

// Executes the merge query
mergeBuilder.merge()

Escritura de un conjunto de datos en una tabla de Hive por lotes
```
df.write.format("com.hortonworks.spark.sql.hive.llap.HiveWarehouseConnector")
   .option("table", tableName)
   .mode(SaveMode.Type)
   .save()
```
- TableName debe tener el formato <db>.<table> o <table>. Si no se proporciona ningún nombre de base de datos, la tabla buscará o creará en la base de datos actual.
- Los tipos de SaveMode son los siguientes:
  - Append: anexa el conjunto de datos a la tabla dada.
  - Overwrite: sobrescribe los datos de la tabla dada con el conjunto de datos.
  - Ignore: omite la escritura si la tabla ya existe, y no se produce ningún error.
  - ErrorIfExists: se produce un error si ya existe la tabla.

Escritura de un conjunto de datos en una tabla de Hive usando HiveStreaming

df.write.format("com.hortonworks.spark.sql.hive.llap.HiveStreamingDataSource")
   .option("database", databaseName)
   .option("table", tableName)
   .option("metastoreUri", "<HMS_URI>")
// .option("metastoreKrbPrincipal", principal), add if executing in ESP cluster
   .save()

 // To write to static partition
 df.write.format("com.hortonworks.spark.sql.hive.llap.HiveStreamingDataSource")
   .option("database", databaseName)
   .option("table", tableName)
   .option("partition", partition)
   .option("metastoreUri", "<HMS URI>")
// .option("metastoreKrbPrincipal", principal), add if executing in ESP cluster
   .save()

Nota:

Al escribir secuencias siempre se anexan datos.

Escritura de una secuencia de Spark en una tabla de Hive

stream.writeStream
    .format("com.hortonworks.spark.sql.hive.llap.streaming.HiveStreamingDataSource")
    .option("metastoreUri", "<HMS_URI>")
    .option("database", databaseName)
    .option("table", tableName)
  //.option("partition", partition) , add if inserting data in partition
  //.option("metastoreKrbPrincipal", principal), add if executing in ESP cluster
    .start()

Compartir vía

API de Hive Warehouse Connector en Azure HDInsight

Requisito previo

API admitidas

Comentarios

Recursos adicionales