Metastore Hive

Dataproc Metastore è un metastore Apache Hive (HMS) completamente gestito, ad alta disponibilità, con riparazione automatica e serverless, in esecuzione su Google Cloud.

Per gestire completamente i metadati, Dataproc Metastore mappa i dati alle tabelle Apache Hive.

Versioni di Apache Hive supportate

Dataproc Metastore supporta solo versioni specifiche di Apache Hive. Per ulteriori informazioni, consulta il criterio relativo alle versioni di Hive.

In che modo Hive gestisce i metadati

Poiché Dataproc Metastore è un metastore Hive, è importante capire come gestisce i metadati.

Per impostazione predefinita, tutte le applicazioni Hive possono avere tabelle interne gestite o tabelle esterne non gestite. Ciò significa che i metadati archiviati in un servizio Dataproc Metastore possono esistere sia nelle tabelle interne che esterne.

Quando si modificano i dati, un servizio Dataproc Metastore (Hive) tratta le tabelle interne ed esterne in modo diverso.

  • Tabelle interne. Gestisce sia i metadati sia i dati delle tabelle.
  • Tabelle esterne: Gestisce solo i metadati.

Ad esempio, se elimini la definizione di una tabella utilizzando l'istruzione SQL Hive DROP TABLE:

drop table foo

  • Tabelle interne. Dataproc Metastore elimina tutti i metadati. Elimina anche i file associati alla tabella.

  • Tabelle esterne: Dataproc Metastore elimina solo i metadati. Mantiene i dati associati alla tabella.

Directory del warehouse Hive

Dataproc Metastore utilizza la directory del warehouse Hive per gestire le tabelle interne. Nella directory del warehouse Hive sono archiviati i dati effettivi.

Quando utilizzi un servizio Dataproc Metastore, la directory del warehouse Hive predefinita è un bucket Cloud Storage. Dataproc Metastore supporta solo l'utilizzo di bucket Cloud Storage per la directory del warehouse. In confronto, questo è diverso da un HMS on-premise, in cui la directory del warehouse Hive di solito rimanda a una directory locale.

Questo bucket viene creato automaticamente ogni volta che crei un servizio Dataproc Metastore. Questo valore può essere modificato impostando un override della configurazione di Hive Metastore nella proprietà hive.metastore.warehouse.dir.

Bucket Cloud Storage di artefatti

Il bucket degli artefatti archivia gli artefatti di Dataproc Metastore, come i metadati esportati e i dati delle tabelle interne gestite.

Quando crei un servizio Dataproc Metastore, nel progetto viene creato automaticamente un bucket Cloud Storage. Per impostazione predefinita, sia il bucket degli artefatti sia la directory del warehouse puntano allo stesso bucket. Non puoi modificare la località del bucket degli artefatti, ma puoi cambiare la posizione della directory del warehouse Hive.

Il bucket degli artefatti si trova nella seguente posizione:

  • gs://your-artifacts-bucket/hive-warehouse.
  • Ad esempio, gs://gcs-your-project-name-0825d7b3-0627-4637-8fd0-cc6271d00eb4.

Accedi alla directory del warehouse Hive

Dopo aver creato automaticamente il bucket, assicurati che il tuo account di servizio VM Dataproc Metastore abbia l'autorizzazione ad accedere alla directory del warehouse Hive. Per accedere alla directory del warehouse, concedi all'agente di servizio VM Dataproc Metastore l'accesso in lettura e scrittura all'oggetto di archiviazione del bucket, utilizzando il ruolo roles/storage.objectAdmin. Questo ruolo deve essere impostato a livello di bucket o superiore.

Trovare la directory del warehouse Hive

  1. Apri la pagina Dataproc Metastore.

  2. Fai clic sul nome del servizio.

    Si apre la pagina dei dettagli del servizio.

  3. Nella tabella di configurazione, trova Override della configurazione di Metastore > hive.metastore.warehouse.dir.

  4. Trova il valore che inizia con gs://.

    Questo valore è la posizione della directory del warehouse Hive.

    Valori hive.metastore.warehouse.dir

Modifica la directory del warehouse Hive

Per utilizzare il tuo bucket Cloud Storage con Dataproc Metastore, imposta un override della configurazione di Hive Metastore in modo che punti alla nuova località del bucket.

Se modifichi la directory predefinita del warehouse, segui questi suggerimenti.

  • Non utilizzare la radice del bucket Cloud Storage (gs://mybucket) per archiviare le tabelle Hive.

  • Assicurati che l'account di servizio VM di Dataproc Metastore disponga dell'autorizzazione per accedere alla directory del warehouse Hive.

  • Per ottenere risultati ottimali, utilizza i bucket Cloud Storage che si trovano nella stessa regione del servizio Dataproc Metastore. Sebbene Dataproc Metastore consenta i bucket tra regioni, le risorse con colocation hanno prestazioni migliori. Ad esempio, un bucket a più regioni UE non funziona bene con un servizio us-central1. L'accesso tra regioni comporta una maggiore latenza, la mancanza di isolamento degli errori a livello di regione e l'addebito di costi per la larghezza di banda della rete tra regioni.

Per modificare la directory del warehouse Hive

  1. Apri la pagina Dataproc Metastore.

  2. Fai clic sul nome del servizio.

    Si apre la pagina dei dettagli del servizio.

  3. Nella tabella di configurazione, trova la sezione Override della configurazione di Metastore > hive.metastore.warehouse.dir.

  4. Modifica il valore hive.metastore.warehouse.dir nella località del nuovo bucket. Ad esempio, gs://my-bucket/path/to/location.

Elimina il bucket

L'eliminazione del servizio Dataproc Metastore non comporta l'eliminazione automatica del bucket degli artefatti di Cloud Storage. Il bucket non viene eliminato automaticamente perché potrebbe contenere dati post-servizio utili. Per eliminare il bucket, esegui un'operazione di eliminazione di Cloud Storage.

Passaggi successivi