Conector Hive-BigQuery

O conector Hive-BigQuery de código aberto permite que as cargas de trabalho do Apache Hive leiam e gravem dados nas tabelas do BigQuery e BigLake. É possível armazenar dados no armazenamento do BigQuery ou em formatos de dados de código aberto no Cloud Storage.

O conector Hive-BigQuery implementa a API Hive Storage Handler para permitir que as cargas de trabalho do Hive se integrem às tabelas do BigQuery e do BigLake. O mecanismo de execução do Hive processa operações de computação, como agregações e mesclagens, e o conector gerencia interações com dados armazenados no BigQuery ou em buckets do Cloud Storage conectados ao BigLake.

O diagrama a seguir ilustra como o conector Hive-BigQuery se encaixa entre as camadas de computação e dados.

Arquitetura do conector Hive-BigQuery

Casos de uso

Confira algumas maneiras como o conector Hive-BigQuery pode ajudar em cenários comuns orientados a dados:

  • Migração de dados. Você planeja mover seu data warehouse do Hive para o BigQuery, em seguida, traduzir incrementalmente suas consultas do Hive para o dialeto SQL do BigQuery. Você espera que a migração leve um tempo significativo devido ao tamanho do data warehouse e ao grande número de aplicativos conectados, e precisa garantir a continuidade durante as operações de migração. Confira o fluxo de trabalho:

    1. Você move seus dados para o BigQuery.
    2. Usando o conector, você acessa e executa suas consultas originais do Hive enquanto traduz gradualmente as consultas do Hive para o dialeto SQL compatível com ANSI do BigQuery.
    3. Depois de concluir a migração e a tradução, você desativa o Hive.

  • Fluxos de trabalho do Hive e do BigQuery. Você planeja usar o Hive para algumas tarefas e o BigQuery para cargas de trabalho que se beneficiam dos recursos dele, como BigQuery BI Engine ou BigQuery ML. Você usa o conector para mesclar tabelas do Hive às tabelas do BigQuery.

  • Dependência de uma pilha de software de código aberto (OSS, na sigla em inglês). Para evitar o bloqueio de fornecedor, você usa uma pilha completa de OSS para seu data warehouse. Confira seu plano de dados:

    1. Você migra seus dados no formato OSS original, como Avro, Parquet, ou ORC, para buckets do Cloud Storage usando uma conexão do BigLake.

    2. Você continua usando o Hive para executar e processar suas consultas de dialeto SQL do Hive.

    3. Você usa o conector conforme necessário para se conectar ao BigQuery e aproveitar os seguintes recursos:

Recursos

É possível usar o conector Hive-BigQuery para trabalhar com os dados do BigQuery e realizar as seguintes tarefas:

  • Executar consultas com mecanismos de execução MapReduce e Tez.
  • Criar e excluir tabelas do BigQuery no Hive.
  • Mesclar tabelas do BigQuery e do BigLake com tabelas do Hive.
  • Realizar leituras rápidas de tabelas do BigQuery usando os streams da API Storage Read e o formato Apache Arrow.
  • Gravar dados no BigQuery usando os seguintes métodos:
    • Gravações diretas usando a API BigQuery Storage Write no modo pendente. Use esse método para cargas de trabalho que exigem baixa latência de gravação, como painéis quase em tempo real com janelas de atualização curtas.
    • Gravações indiretas ao preparar arquivos Avro temporários no Cloud Storage e, em seguida, carregar os arquivos em uma tabela de destino usando a API Load Job. Esse método é menos caro do que o direto, já que os jobs de carregamento do BigQuery não acumulam cobranças. Como esse método é mais lento, ele é mais adequado para cargas de trabalho que não são urgentes.

  • Acessar tabelas particionadas por tempo e agrupadas do BigQuery. O exemplo a seguir define a relação entre uma tabela do Hive e uma tabela particionada e agrupada no 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'
);

  • Remover colunas para evitar a recuperação de colunas desnecessárias da camada de dados.

  • Usar pushdowns de predicados para pré-filtrar linhas de dados na camada de armazenamento do BigQuery. Essa técnica pode melhorar significativamente o desempenho geral da consulta, reduzindo a quantidade de dados que atravessam a rede.

  • Converter automaticamente tipos de dados do Hive em tipos de dados do BigQuery.

  • Ler visualizações e snapshots de tabelas do BigQuery.

  • Integrar com o Spark SQL.

  • Integrar com o Apache Pig e o HCatalog.

Primeiros passos

Consulte as instruções para instalar e configurar o conector Hive-BigQuery em um cluster do Hive.