Copiar e transformar dados do Hive usando o Azure Data Factory

Artigo
09/12/2024

APLICA-SE A: Azure Data Factory Azure Synapse Analytics

Dica

Experimente o Data Factory no Microsoft Fabric, uma solução de análise tudo-em-um para empresas. O Microsoft Fabric abrange desde movimentação de dados até ciência de dados, análise em tempo real, business intelligence e relatórios. Saiba como iniciar uma avaliação gratuita!

Este artigo descreve como usar a atividade de cópia nos pipelines do Azure Data Factory ou do Azure Synapse Analytics para copiar dados de uma tabela do Hive. Ele amplia o artigo Visão geral da atividade de cópia que apresenta uma visão geral da atividade de cópia.

Funcionalidades com suporte

Há suporte a este conector do Hive para as seguintes funcionalidades:

Funcionalidades com suporte	IR
Atividade de cópia (origem/-)	① ②
Fluxo de dados de mapeamento (origem/-)	①
Atividade de pesquisa	① ②

① Runtime de integração do Azure ② Runtime de integração auto-hospedada

Para obter uma lista de armazenamentos de dados com suporte como origens/coletores da atividade de cópia, confira a tabela Armazenamentos de dados com suporte.

O serviço fornece um driver interno para habilitar a conectividade, portanto, não é necessário instalar manualmente qualquer driver usando esse conector.

O conector dá suporte às versões do Windows incluídas nesse artigo.

Pré-requisitos

Se o armazenamento de dados estiver localizado dentro de uma rede local, em uma rede virtual do Azure ou na Amazon Virtual Private Cloud, você precisará configurar um runtime de integração auto-hospedada para se conectar a ele.

Se o armazenamento de dados for um serviço de dados de nuvem gerenciado, você poderá usar o Azure Integration Runtime. Se o acesso for restrito aos IPs que estão aprovados nas regras de firewall, você poderá adicionar IPs do Azure Integration Runtime à lista de permissões.

Você também pode usar o recurso de runtime de integração da rede virtual gerenciada no Azure Data Factory para acessar a rede local sem instalar e configurar um runtime de integração auto-hospedada.

Para obter mais informações sobre os mecanismos de segurança de rede e as opções compatíveis com o Data Factory, consulte Estratégias de acesso a dados.

Introdução

Para executar a atividade de Cópia com um pipeline, será possível usar as ferramentas ou os SDKs abaixo:

Criar um serviço vinculado para o Hive usando a interface do usuário

Use as etapas a seguir para criar um serviço vinculado para o Hive na interface do usuário do portal do Azure.

Navegue até a guia Gerenciar no workspace do Azure Data Factory ou do Synapse, selecione Serviços Vinculados e clique em Novo:
- Azure Data Factory
- Azure Synapse
Procure Hive e selecione o conector do Hive.
Configure os detalhes do serviço, teste a conexão e crie o novo serviço vinculado.

Detalhes da configuração do conector

As seções a seguir fornecem detalhes sobre as propriedades usadas para definir entidades do Data Factory específicas ao conector de Hive.

Propriedades do serviço vinculado

As propriedades a seguir têm suporte para o serviço vinculado de Hive:

Propriedade	Descrição	Obrigatório
type	A propriedade type deve ser definida como: Hive	Sim
host	Endereço IP ou nome de host do servidor Hive, separado por ';' para vários hosts (somente quando serviceDiscoveryMode estiver habilitado).	Sim
porta	A porta TCP usada pelo servidor Hive para ouvir conexões de cliente. Se você se conectar ao Azure HDInsight, especifique a porta como 443.	Sim
serverType	O tipo do servidor Hive. Os valores permitidos são: HiveServer1, HiveServer2, HiveThriftServer	Não
thriftTransportProtocol	O protocolo de transporte a ser usado na camada de Thrift. Os valores permitidos são: Binário, SASL, HTTP	Não
authenticationType	O método de autenticação usado para acessar o servidor do Hive. Valores permitidos são: Anônimo, Username, UsernameAndPassword, WindowsAzureHDInsightService. Não há suporte para a autenticação baseada em Kerberos agora.	Sim
serviceDiscoveryMode	verdadeiro para indicar o uso do serviço ZooKeeper, falso não.	Não
zooKeeperNameSpace	O namespace no ZooKeeper no qual os2 nós do Hive Server são adicionados.	Não
useNativeQuery	Especifica se o driver usa consultas HiveQL nativas ou as converte em uma forma equivalente no HiveQL.	Não
Nome de Usuário	O nome de usuário que você usa para acessar o servidor do Hive.	Não
password	A senha correspondente ao usuário. Marque este campo como um SecureString para armazená-lo com segurança ou referencie um segredo armazenado no Azure Key Vault.	Não
httpPath	A URL parcial correspondente ao servidor do Hive.	Não
enableSsl	Especifica se as conexões com o servidor são criptografadas via TLS. O valor padrão é false.	Não
trustedCertPath	O caminho completo do arquivo .pem que contém certificados de AC confiáveis para verificar o servidor ao se conectar via TLS. Essa propriedade só pode ser definida ao usar o TLS em IR auto-hospedado. O valor padrão é o arquivo de cacerts.pem instalado com o IR.	Não
useSystemTrustStore	Especifica se deve usar um certificado de autoridade de certificação do repositório de confiança de sistema ou de um arquivo PEM especificado. O valor padrão é false.	Não
allowHostNameCNMismatch	Especifica se é necessário o nome do certificado TLS/SSL emitido pela AC para corresponder ao nome de host do servidor ao se conectar via TLS. O valor padrão é false.	Não
allowSelfSignedServerCert	Especifica se deve permitir os certificados autoassinados do servidor. O valor padrão é false.	Não
connectVia	O Integration Runtime a ser usado para se conectar ao armazenamento de dados. Saiba mais na seção Pré-requisitos. Se não for especificado, ele usa o Integration Runtime padrão do Azure.	Não
storageReference	Uma referência ao serviço vinculado da conta de armazenamento usada para preparar dados no fluxo de dados de mapeamento. Isso é necessário somente ao usar o serviço vinculado do Hive no fluxo de dados de mapeamento	Não

Exemplo:

{
    "name": "HiveLinkedService",
    "properties": {
        "type": "Hive",
        "typeProperties": {
            "host" : "<cluster>.azurehdinsight.net",
            "port" : "<port>",
            "authenticationType" : "WindowsAzureHDInsightService",
            "username" : "<username>",
            "password": {
                "type": "SecureString",
                "value": "<password>"
            }
        }
    }
}

Propriedades do conjunto de dados

Para obter uma lista completa das seções e propriedades disponíveis para definir os conjuntos de dados, confira o artigo sobre conjuntos de dados. Esta seção fornece uma lista das propriedades com suporte pelo conjunto de dados de HTTP.

Para copiar dados de Hive, defina a propriedade type do conjunto de dados como HiveObject. Há suporte para as seguintes propriedades:

Propriedade	Descrição	Obrigatório
type	A propriedade type do conjunto de dados precisa ser definida como: HiveObject	Sim
esquema	Nome do esquema.	Não (se "query" na fonte da atividade for especificada)
tabela	Nome da tabela.	Não (se "query" na fonte da atividade for especificada)
tableName	O nome da tabela, incluindo a parte do esquema. Essa propriedade é compatível com versões anteriores. Para uma nova carga de trabalho, use `schema` e `table`.	Não (se "query" na fonte da atividade for especificada)

Exemplo

{
    "name": "HiveDataset",
    "properties": {
        "type": "HiveObject",
        "typeProperties": {},
        "schema": [],
        "linkedServiceName": {
            "referenceName": "<Hive linked service name>",
            "type": "LinkedServiceReference"
        }
    }
}

Propriedades da atividade de cópia

Para obter uma lista completa das seções e propriedades disponíveis para definir atividades, confia o artigo Pipelines. Esta seção fornece uma lista das propriedades com suporte pela fonte Hive.

HiveSource como fonte

Para copiar dados de Hive, defina o tipo de fonte na atividade de cópia como HiveSource. As propriedades a seguir têm suporte na seção source da atividade de cópia:

Propriedade	Descrição	Obrigatório
type	A propriedade type da fonte da atividade de cópia deve ser definida como: HiveSource	Sim
Consulta	Utiliza a consulta SQL personalizada para ler os dados. Por exemplo: `"SELECT * FROM MyTable"`.	Não (se "tableName" no conjunto de dados for especificado)

Exemplo:

"activities":[
    {
        "name": "CopyFromHive",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "<Hive input dataset name>",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "<output dataset name>",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "HiveSource",
                "query": "SELECT * FROM MyTable"
            },
            "sink": {
                "type": "<sink type>"
            }
        }
    }
]

Propriedades do fluxo de dados de mapeamento

Há suporte para o conector do hive como uma fonte de conjunto de dados embutida no fluxo de dados de mapeamento. Leia usando uma consulta ou diretamente de uma tabela Hive no HDInsight. Os dados do Hive são preparados em uma conta de armazenamento como arquivos parquet antes de serem transformados como parte de um fluxo de dados.

Propriedades da Origem

A tabela abaixo lista as propriedades com suporte por uma fonte hive. Você pode editar essas propriedades na guia Opções de origem.

Nome	Descrição	Obrigatório	Valores permitidos	Propriedade do script do Fluxo de Dados
Repositório	O repositório deve ser `hive`	sim	`hive`	store
Formatar	Se você está lendo de uma tabela ou consulta	sim	`table` ou `query`	format
Nome do esquema	Se estiver lendo de uma tabela, o esquema da tabela de origem	Sim, se o formato for `table`	Cadeia de caracteres	schemaName
Nome da tabela	Se estiver lendo de uma tabela, o nome da tabela	Sim, se o formato for `table`	Cadeia de caracteres	tableName
Consulta	Se o formato for `query`, a consulta de origem no serviço vinculado do Hive	sim, se o formato for `query`	Cadeia de caracteres	Consulta
Em fases.	A tabela do Hive sempre será preparada.	sim	`true`	em fases
Contêiner de armazenamento	Contêiner de armazenamento usado para preparar dados antes de ler do hive ou gravar no Hive. O cluster do hive deve ter acesso a esse contêiner.	sim	Cadeia de caracteres	storageContainer
Banco de Dados de Preparação:	O esquema/banco de dados ao qual a conta de usuário especificada no serviço vinculado tem acesso. Ela é usada para criar tabelas externas durante o preparo e descartadas posteriormente	não	`true` ou `false`	stagingDatabaseName
Scripts anteriores do SQL	Código SQL a ser executado na tabela Hive antes de ler os dados	não	String	preSQLs

Exemplo de fonte

Veja abaixo um exemplo de uma configuração de origem do Hive:

Exemplo de origem do Hive

Essas configurações se traduzem no seguinte script de fluxo de dados:

source(
    allowSchemaDrift: true,
    validateSchema: false,
    ignoreNoFilesFound: false,
    format: 'table',
    store: 'hive',
    schemaName: 'default',
    tableName: 'hivesampletable',
    staged: true,
    storageContainer: 'khive',
    storageFolderPath: '',
    stagingDatabaseName: 'default') ~> hivesource

Limitações conhecidas

Tipos complexos, como matrizes, mapas, structs e uniões, não têm suporte para leitura.
O conector do Hive dá suporte apenas a tabelas hive Azure HDInsight versão 4.0 ou superior (Apache Hive 3.1.0)
Por padrão, o driver do Hive fornece "tableName.columnName" no coletor. Se você não quiser ver o nome da tabela no nome da coluna, há duas maneiras de corrigir isso. a. Verifique a configuração "hive.resultset.use.unique.column.names" no lado do servidor Hive e defina-a como false. b. Use o mapeamento de coluna para renomear o nome da coluna.

Pesquisar propriedades de atividade

Para saber detalhes sobre as propriedades, verifique Pesquisar atividade.

Para obter uma lista de armazenamentos de dados com suporte como coletores e fontes da atividade de cópia, confira os armazenamentos de dados com suporte.

Compartilhar via

Copiar e transformar dados do Hive usando o Azure Data Factory

Funcionalidades com suporte

Pré-requisitos

Introdução

Criar um serviço vinculado para o Hive usando a interface do usuário

Detalhes da configuração do conector

Propriedades do serviço vinculado

Propriedades do conjunto de dados

Propriedades da atividade de cópia

HiveSource como fonte

Propriedades do fluxo de dados de mapeamento

Propriedades da Origem

Exemplo de fonte

Limitações conhecidas

Pesquisar propriedades de atividade

Comentários

Recursos adicionais

Compartilhar via

Copiar e transformar dados do Hive usando o Azure Data Factory

Funcionalidades com suporte

Pré-requisitos

Introdução

Criar um serviço vinculado para o Hive usando a interface do usuário

Detalhes da configuração do conector

Propriedades do serviço vinculado

Propriedades do conjunto de dados

Propriedades da atividade de cópia

HiveSource como fonte

Propriedades do fluxo de dados de mapeamento

Propriedades da Origem

Exemplo de fonte

Limitações conhecidas

Pesquisar propriedades de atividade

Conteúdo relacionado

Comentários

Recursos adicionais