Amazon Athena Cloudera Hive コネクタ - Amazon Athena

Amazon Athena Cloudera Hive コネクタ

Cloudera Hive 用の Amazon Athena コネクタを使用すると、Athena で Cloudera Hive Hadoop ディストリビューションに SQL クエリを実行できます。コネクタによって Athena SQL クエリは同等の HiveQL 構文に変換されます。

前提条件

制約事項

  • DDL の書き込みオペレーションはサポートされていません。

  • マルチプレクサの設定では、スピルバケットとプレフィックスが、すべてのデータベースインスタンスで共有されます。

  • 関連性のある Lambda 上限値。詳細については、AWS Lambda デベロッパーガイドLambda のクォータを参照してください。

規約

以下に、Cloudera Hive コネクタに関連する用語を示します。

  • データベースインスタンス – オンプレミス、Amazon EC2、または Amazon RDS にデプロイされたデータベースの任意インスタンス。

  • ハンドラー – データベースインスタンスにアクセスする Lambda ハンドラー。ハンドラーには、メタデータ用とデータレコード用があります。

  • メタデータハンドラー – データベースインスタンスからメタデータを取得する Lambda ハンドラー。

  • レコードハンドラー – データベースインスタンスからデータレコードを取得する Lambda ハンドラー。

  • 複合ハンドラー — データベースインスタンスからメタデータとデータレコードの両方を取得する Lambda ハンドラー。

  • プロパティまたはパラメータ – ハンドラーがデータベース情報を抽出するために使用するデータベースプロパティ。これらのプロパティは Lambda の環境変数で設定します。

  • 接続文字列 – データベースインスタンスへの接続を確立するために使用されるテキスト文字列。

  • カタログ – Athena に登録された AWS Glue ではないカタログ。これは、connection_string プロパティに必須のプレフィックスです。

  • マルチプレックスハンドラー – 複数のデータベース接続を受け入れて使用することが可能な Lambda ハンドラー。

パラメータ

このセクションの Lambda 環境変数により、Cloudera Hive コネクタの設定を行います。

接続文字列

次の形式の JDBC 接続文字列を使用して、データベースインスタンスに接続します。

hive://${jdbc_connection_string}

マルチプレックスハンドラーの使用

マルチプレクサーを使用すると、単一の Lambda 関数から複数のデータベースインスタンスに接続できます。各リクエストはカタログ名によりルーティングされます。Lambda では以下のクラスを使用します。

Handler Class
複合ハンドラー HiveMuxCompositeHandler
メタデータハンドラー HiveMuxMetadataHandler
レコードハンドラー HiveMuxRecordHandler

多重化ハンドラーパラメータ

パラメータ 説明
$catalog_connection_string 必須。データベースインスタンス接続の文字列。文字列には、Athena で使用されているカタログの名前をプレフィックスます。例えば、Athena に登録されたカタログが myhivecatalog の場合、環境変数の名前は myhivecatalog_connection_string になります。
default 必須。デフォルトの接続文字列。この文字列は、カタログが lambda:${AWS_LAMBDA_FUNCTION_NAME} の場合に使用されます。

以下に、2 つのデータベースインスタンス (デフォルト値の hive1、および hive2) をサポートする、Hive MUX Lambda 関数のプロパティ例を示します。

プロパティ
default hive://jdbc:hive2://hive1:10000/default?${Test/RDS/hive1}
hive2_catalog1_connection_string hive://jdbc:hive2://hive1:10000/default?${Test/RDS/hive1}
hive2_catalog2_connection_string hive://jdbc:hive2://hive2:10000/default?UID=sample&PWD=sample

認証情報の提供

JDBC 接続文字列の中でデータベースのユーザー名とパスワードを指定するには、接続文字列のプロパティ、もしくは AWS Secrets Manager を使用します。

  • 接続文字列 – ユーザー名とパスワードを、JDBC 接続文字列のプロパティとして指定できます。

  • AWS Secrets Manager – Athena の横串検索機能を AWS Secrets Manager で使用するには、Lambda 関数に接続されている VPC に、Secrets Manager に接続するためのインターネットアクセスまたは VPC エンドポイントが必要です。

    JDBC 接続文字列には、AWS Secrets Manager のシークレットの名前を含めることができます。コネクタは、このシークレット名を Secrets Manager からの username および password 値に置き換えます。

    Amazon RDS データベースインスタンスには、このサポートが緊密に統合されています。Amazon RDS を使用している場合は、AWS Secrets Manager と認証情報ローテーションの使用を強くお勧めします。データベースで Amazon RDS を使用していない場合は、認証情報を次の形式の JSON として保存します。

    {"username": "${username}", "password": "${password}"}

シークレット名を含む接続文字列の例

次の文字列には、シークレット名 ${Test/RDS/hive1} が含まれています。

hive://jdbc:hive2://hive1:10000/default?...&${Test/RDS/hive1}&...

コネクタは、次の例のように、シークレットの取得と、ユーザー名とパスワードの提供のために、シークレット名を使用します。

hive://jdbc:hive2://hive1:10000/default?...&UID=sample2&PWD=sample2&...

現在のところ、Cloudera Hive コネクタは、UID および PWD の JDBC プロパティを認識します。

単一接続ハンドラーの使用

以下の単一接続メタデータ、およびレコードハンドラーを使用すると、単一の Cloudera Hive インスタンスに接続できます。

ハンドラーのタイプ Class
複合ハンドラー HiveCompositeHandler
メタデータハンドラー HiveMetadataHandler
レコードハンドラー HiveRecordHandler

単一接続ハンドラーのパラメータ

パラメータ 説明
default 必須。デフォルトの接続文字列。この文字列は、カタログが認識されない場合に使用されます。

単一接続ハンドラーでは、1 つのデータベースインスタンスがサポートされます。また、default 接続文字列パラメータを指定する必要があります。他のすべての接続文字列は無視されます。

次は、Lambda 関数でサポートされている単一の Cloudera Hive インスタンス用のプロパティ例です。

プロパティ
デフォルト hive://jdbc:hive2://hive1:10000/default?secret=${Test/RDS/hive1}

スピルパラメータ

Lambda SDK は Amazon S3 にデータを流出させる可能性があります。同一の Lambda 関数によってアクセスされるすべてのデータベースインスタンスは、同じ場所に対しスピルします。

パラメータ 説明
spill_bucket 必須。スピルバケット名。
spill_prefix 必須。スピルバケットのキープレフィックス
spill_put_request_headers (オプション) スピルに使用される Amazon S3 の putObject リクエスト (例:{"x-amz-server-side-encryption" : "AES256"}) における、リクエストヘッダーと値に関する JSON でエンコードされたマップ。利用可能な他のヘッダーについては、「Amazon S3 API リファレンス」の「PutObject」を参照してください。

サポートされるデータ型

次の表では、JDBC、Cloudera Hive、および Arrow に対応させて、各データ型を示しています。

JDBC Cloudera Hive Arrow
ブール値 ブール値 Bit
整数 TINYINT Tiny
ショート SMALLINT Smallint
整数 INT Int
Long BIGINT Bigint
フロート float4 Float4
ダブル float8 Float8
日付 date DateDay
タイムスタンプ timestamp DateMilli
文字列 VARCHAR Varchar
バイト バイト Varbinary
BigDecimal 10 進数 10 進数
配列 該当なし (注記を参照) リスト
注記

現在のところ、Cloudera Hive では、集計型 ARRAYMAPSTRUCT、および UNIONTYPE はサポートされません。集計型の列は、SQL における VARCHAR 列のように扱われます。

パーティションと分割

パーティションは、コネクタを分割する方法を決定するために使用されます。Athena は varchar 型の合成列を作成し、これにより、コネクタが分割を生成できるようにするためのテーブルに対し、パーティションのスキームを示します。コネクタは実際のテーブル定義を変更しません。

パフォーマンスチューニング

Cloudera Hive は静的パーティションをサポートしています。Athena Lambda コネクタは、これらのパーティションからデータを並列に取得できます。パーティション分布が一様で非常に大きなデータセットをクエリする場合は、静的パーティショニングの使用を強くお勧めします。

ライセンス情報

このコネクタを使用することにより、pom.xml ファイル内のリストにある、サードパーティのコンポーネントが使用されることを承認し、 GitHub.com にある LICENSE.txt ファイルに記載されている、個別のサードパーティライセンスの使用条件に同意したとみなされます。

以下も参照してください。

JDBC ドライバーの最新バージョンの情報については、GitHub.com で Cloudera Hive コネクタ用の pom.xml ファイルを参照してください。

このコネクタに関する追加情報については、GitHub.com で対応するサイトを参照してください。