Connettore Hive-BigQuery

Il connettore Hive-BigQuery open source consente ai carichi di lavoro Apache Hive di leggere e scrivere dati da e verso le tabelle BigQuery e BigLake. Puoi archiviare i dati nello spazio di archiviazione BigQuery o in formati di dati open source su Cloud Storage.

Il connettore Hive-BigQuery implementa l'API Hive Storage Handler per consentire l'integrazione dei carichi di lavoro Hive con le tabelle BigQuery e BigLake. Il motore di esecuzione di Hive gestisce le operazioni di calcolo, come come aggregati e join e il connettore gestisce le interazioni archiviati in BigQuery o in connessioni a BigLake di archiviazione dei bucket Cloud Storage.

Il seguente diagramma illustra come il connettore Hive-BigQuery si inserisce tra i livelli di calcolo e di dati.

Architettura del connettore Hive-BigQuery

Casi d'uso

Ecco alcuni modi in cui il connettore Hive-BigQuery può aiutarti scenari comuni basati sui dati:

  • Migrazione dei dati. Prevedi di spostare il data warehouse Hive in BigQuery, e poi tradurre in modo incrementale le query Hive nel dialetto SQL di BigQuery. Prevedi che la migrazione richieda molto tempo a causa delle dimensioni del data warehouse e del numero elevato di applicazioni collegate e devi garantire la continuità durante le operazioni di migrazione. Ecco il flusso di lavoro:

    1. Sposti i dati in BigQuery
    2. Utilizzando il connettore, puoi accedere alle query Hive originali ed eseguirle, mentre traduci gradualmente le query Hive in BigQuery Dialetto SQL conforme ad ANSI.
    3. Dopo aver completato la migrazione e la traduzione, ritira Hive.

  • Flussi di lavoro Hive e BigQuery. Prevedi di utilizzare Hive per alcune attività e BigQuery per i carichi di lavoro che traggono vantaggio dalle sue funzionalità, come BigQuery BI Engine o BigQuery ML. Utilizzi il connettore per unire le tabelle Hive alle tabelle BigQuery.

  • Utilizzo di uno stack di software open source (OSS). Per evitare il blocco del fornitore, utilizza uno stack OSS completo per il tuo data warehouse. Ecco il tuo piano dati:

    1. Esegui la migrazione dei dati nel formato OSS originale, ad esempio Avro, Parquet o ORC, ai bucket Cloud Storage utilizzando una connessione BigLake.

    2. Continuerai a utilizzare Hive per eseguire ed elaborare le query in dialetto SQL di Hive.

    3. Utilizza il connettore in base alle tue esigenze per connetterti a BigQuery e usufruire delle seguenti funzionalità:

Funzionalità

Puoi utilizzare il connettore Hive-BigQuery per lavorare con BigQuery e svolgi le attività seguenti:

  • Esegui query con i motori di esecuzione MapReduce e Tez.
  • Creare ed eliminare tabelle BigQuery da Hive.
  • Unisci le tabelle BigQuery e BigLake con le tabelle Hive.
  • Esegui letture rapide dalle tabelle BigQuery utilizzando Flussi di dati dell'API Storage Read e Formato Apache Arrow
  • Scrivi i dati in BigQuery utilizzando i seguenti metodi:
    • Scritture dirette utilizzando BigQuery API StorageWrite in modalità di attesa. Utilizza questo metodo per i carichi di lavoro che richiedono una bassa latenza di scrittura, ad esempio dashboard quasi in tempo reale con finestre di aggiornamento brevi.
    • Scritture indirette tramite il trasferimento intermedio di file Avro temporanei in Cloud Storage e poi caricamento dei file in una tabella di destinazione utilizzando l'API Load Job. Questo metodo è meno costoso del metodo diretto, poiché i job di caricamento di BigQuery non generano addebiti. Poiché questo metodo è più lento e trova il suo miglior impiego in carichi di lavoro non critici per il tempo

  • Accesso a BigQuery partizionato nel tempo e in cluster. L'esempio seguente definisce la relazione tra una tabella Hive e una tabella partizionata e raggruppata in BigQuery.

    CREATE TABLE my_hive_table (int_val BIGINT, text STRING, ts TIMESTAMP)
STORED BY 'com.google.cloud.hive.bigquery.connector.BigQueryStorageHandler'
TBLPROPERTIES (
'bq.table'='myproject.mydataset.mytable',
'bq.time.partition.field'='ts',
'bq.time.partition.type'='MONTH',
'bq.clustered.fields'='int_val,text'
);

  • Elimina le colonne per evitare di recuperare colonne non necessarie dal livello dati.

  • Utilizza i push-down dei predicati per pre-filtrare le righe di dati nello spazio di archiviazione di BigQuery livello di sicurezza. Questa tecnica può migliorare notevolmente le prestazioni complessive delle query riducendo la quantità di dati che attraversano la rete.

  • Converti automaticamente i tipi di dati Hive in tipi di dati BigQuery.

  • Leggi le viste di BigQuery e snapshot delle tabelle.

  • Eseguire l'integrazione con Spark SQL.

  • Integrazione con Apache Pig e HCatalog.

Inizia

Consulta le istruzioni per installare e configurare il connettore Hive-BigQuery su un cluster Hive.