Apache Hudi在AWS Glue和AWS EMR上同步元数据的异同

Posted 2022-01-20 bluishglc

继我们上篇文章《在AWS Glue中使用Apache Hudi》介绍了如何在Glue中同步Hudi元数据之后，本文我们再简短截说一下Hudi在EMR上的元数据同步。

首先，EMR对于元数据的存储提供两种方案：一是标准的Hive Metastore ，将元数据存储在一个外置关系型数据库上；二是使用Glue Catalog。显然，如果使用标准Hive Metastore，我们不必担心Hudi同步元数据有任何问题，需要我们确认的是在EMR使用Glue Catalog时，应该如何配置元数据同步。

先说结论：当EMR使用Glue Catalog时，Hudi依然可以正常同步元数据到Hive，不必做特殊配置，尤其是不必像在Glue中那样配置DataSourceWriteOptions.HIVE_USE_JDBC_OPT_KEY -> "false"。原因很简单，虽然EMR使用了Glue Catalog，但EMR上却有Glue上没有的HiveServer2服务，也就意味着Hudi可以通过JDBC与Glue Catalog交互。这背后的原因同样是因为EMR让HiveServer2使用AWSCatalogMetastoreClient与Glue Catalog交互，关于这一点，请参考《在AWS Glue中使用Apache Hudi》一文的 《3.4. 将Hudi元数据同步到Glue Catalog》

再延伸一下，如果我们在EMR中配置了DataSourceWriteOptions.HIVE_USE_JDBC_OPT_KEY -> "false"会怎样呢？在EMR 5上依然是可以正常工作的，只是同步方式从JDBC改为了由AWSCatalogMetastoreClient实现的IMetastoreClient，这与在Glue上使用Hudi的方式是一致的。但是，有一点要注意，在目前的EMR 6 + Hudi 0.7版本上，如果配置了DataSourceWriteOptions.HIVE_USE_JDBC_OPT_KEY -> "false"，会报如下错误：

java.lang.ClassNotFoundException: org.apache.calcite.rel.type.RelDataTypeSystem

这是由于Hive3/Spark3移除了对于calcite包的依赖引起的，所以不建议在EMR上配置DataSourceWriteOptions.HIVE_USE_JDBC_OPT_KEY -> "false"，这与Glue中的配置是完全相反的，因为Glue的Spark版本是2.4.3

---

关于作者：耿立超，架构师，15年IT系统开发和架构经验，对大数据、企业级应用架构、SaaS、分布式存储和领域驱动设计有丰富的实践经验，热衷函数式编程。对Hadoop/Spark 生态系统有深入和广泛的了解，参与过Hadoop商业发行版的开发，曾带领团队建设过数个完备的企业数据平台，个人技术博客：https://laurence.blog.csdn.net/ 作者著有《大数据平台架构与原型实现：数据中台建设实战》一书，该书已在京东和当当上线。