Apache Hive数据源

使用前准备及限制

• 网络要求

  Apache Hive数据源必须与CDM网络进行通讯，以确保数据传输的顺畅性。详情请参见网络打通。

• 访问端口放通：在配置Apache Hive数据源时，需要确保以下端口在安全组或自有网络已经放通，以供数据集成服务访问MRS使用。

  表1 各服务端口说明

  服务	端口类型	端口号	用途
  Hive	TCP	10000	HiveServer的 JDBC/ODBC 接口，供数据集成服务提交 SQL、拉取结果。
  Hive	TCP	9083	Hive Metastore 接口，供 HiveServer获取库、表、分区等元数据。
  HDFS	TCP	8020	NameNode RPC，客户端建立文件系统上下文、获取块位置。
  HDFS	TCP	9866	DataNode 数据传输，真正读写表文件（ORC/Parquet 等）的流式端口。
  Zookeeper	TCP	2181	高可用 HiveServer/Metastore 及 HDFS NameNode HA 依赖的 ZK quorum。

支持的数据类型

支持的迁移场景

数据集成离线同步支持以下三种同步方式，以满足不同数据迁移场景的需求：

• 单表同步

  适用于数据入湖和数据上云场景下，表或文件级别的数据同步。

• 分库分表同步

  适用于数据入湖和数据上云场景下，多库多表同步场景。

• 整库迁移

  适用于数据入湖和数据上云场景下，离线或自建数据库整体同步场景。

需要注意的是，分库分表与整库迁移能力会根据不同region的上线支持情况有所不同，具体支持情况以页面为准。以下是针对Apache Hive的支持迁移场景概览：

核心能力速览

• 连接配置

  配置项	支持情况	说明
  kerberos认证	√	通过Kerberos认证方式访问MRS集群。
  存算分离	√	支持存算分离架构，读取OBS/HDFS多种不同Hive存储文件系统能力。

• 读取能力

  配置项	支持情况	说明
  读取方式	JDBC/HDFS	支持通过 JDBC 或直接读取 HDFS 文件。JDBC 适用于交互式查询，利用 SQL 语法灵活读取；直接读取 HDFS 适用于大规模数据批量读取，绕过 SQL 解析，效率更高。
  分片并发	√	支持水平分片，多线程并行抽取，显著提升吞吐效率。当前仅支持在HDFS读取方式下通过文件进行并发读取。
  自定义字段	x	可在任务级追加计算列、常量列或脱敏函数，满足个性化业务需求，暂不支持。
  脏数据处理	√	支持异常数据写入脏数据桶，避免因少量异常数据导致作业失败。
  增量读取	√	支持分区过滤或通过sql方式的增量读取。

• 写入能力

  配置项	支持情况	说明
  写入方式	Insert into/Insert overwrite	支持 Insert into 和 Insert overwrite 两种写入方式。Insert into 是向目标表追加数据，适用于数据的增量写入；Insert overwrite 是覆盖目标表或分区的数据，适用于数据的全量更新。
  导入前后处理	√	支持Truncate方式对选用分区进行清空。
  脏数据处理	x	支持异常数据写入脏数据桶，避免因少量异常数据导致作业失败，暂不支持。
  并发写入	√	并发写入可以充分利用集群资源，提高数据写入的速度。

创建数据源

在DataArts Studio管理中心新建相应的数据源，详情请参见创建DataArts Studio数据连接。

创建数据集成离线作业

在DataArts Studio数据开发中新建Apache Hive集成作业，详情请参见新建离线处理集成作业。

最佳实践

Hive Load/Truncate+Load/Load Overwrite写入模式最佳实践