Question

使用EMR集群，我创建了一个映射到DynamoDB表的外部Hive表（超过8亿行）。它工作得很好，我可以通过配置单元进行查询和插入。

如果我通过Hive中的hash_key尝试查询条件，我会在几秒钟内得到结果。但是使用SparkSQL和enableHiveSupport（访问Hive）通过spark-submit执行相同的查询它没有完成。似乎从Spark它正在对表进行全面扫描。

我尝试了几种配置（例如，不同的hive-site.xml），但它似乎不能很好地从Spark中运行。我应该如何通过Spark做到这一点？有什么建议吗？

由于

Answer 1

确保使用AWS的dynamo连接器opensource。默认情况下，它可在EMR AFAIK上使用。

使用DynamoDBStorageHandler类创建表的语法：

CREATE EXTERNAL TABLE hive_tablename (
    hive_column1_name column1_datatype,
    hive_column2_name column2_datatype
)
STORED BY 'org.apache.hadoop.hive.dynamodb.DynamoDBStorageHandler'
TBLPROPERTIES (
    "dynamodb.table.name" = "dynamodb_tablename",
    "dynamodb.column.mapping" =
        "hive_column1_name:dynamodb_attribute1_name,hive_column2_name:dynamodb_attribute2_name"
);

对于任何Spark职业，您需要具备以下内容：

$ spark-shell --jars /usr/share/aws/emr/ddb/lib/emr-ddb-hadoop.jar
...
import org.apache.hadoop.io.Text;
import org.apache.hadoop.dynamodb.DynamoDBItemWritable
import org.apache.hadoop.dynamodb.read.DynamoDBInputFormat
import org.apache.hadoop.dynamodb.write.DynamoDBOutputFormat
import org.apache.hadoop.mapred.JobConf
import org.apache.hadoop.io.LongWritable

var jobConf = new JobConf(sc.hadoopConfiguration)
jobConf.set("dynamodb.input.tableName", "myDynamoDBTable")

jobConf.set("mapred.output.format.class", "org.apache.hadoop.dynamodb.write.DynamoDBOutputFormat")
jobConf.set("mapred.input.format.class", "org.apache.hadoop.dynamodb.read.DynamoDBInputFormat")

var orders = sc.hadoopRDD(jobConf, classOf[DynamoDBInputFormat], classOf[Text], classOf[DynamoDBItemWritable])

orders.count()

参考文献： https://github.com/awslabs/emr-dynamodb-connector

EMR：如何将Spark与Hive集成？

1 个答案: