API de Hive Warehouse Connector 2.0 en Azure HDInsight

  • Artículo

En este artículo se enumeran todas las API que admite Hive Warehouse Connector 2.0. Todos los ejemplos que se muestran explican cómo ejecutar 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 excpetion 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 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("<taget-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.microsoft.hwc.v2")
   .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.microsoft.hwc.v2.batch.stream.write")
   .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.microsoft.hwc.v2.batch.stream.write")
   .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.microsoft.hwc.v2")
    .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()

Pasos siguientes